Agenda
Este minicurso de R será focado no tidyverse (universo
“arrumado”), que conta com um conjunto de pacotes que auxiliam os
pesquisadores a manipularem suas bases de dados, preparando-as para que
análises possam ser realizadas. Ajustar a base de dados, geralmente, é a
etapa que mais consome tempo em uma pesquisa. Portanto, ter uma
ferramenta que torne essa tarefa mais eficiente é fundamental.
Informações mais aprofundadas sobre o tidyverse estão
disponíveis livro R for data
science.
Esse curso foi baseado nos cursos R pragmático e Curso de R, que podem ser consultados sempre que necessário. O livro R para cientistas sociais é uma outra boa fonte de informações. Para análise de dados com estatística aplicada, o livro Estatística Básica - Bussab e Morettin (2017) conta com um site com os exemplos apresentados no livro. O site do institute for digital research and education, da UCLA conta com valiosos tutoriais que podem ser consultados sempre que necessário para a aplicação de técnicas estatísticas no R. Para análise de pesquisas amostrais complexas, o site do Anthony Joseph Damico é uma formidável fonte de consulta (que contempla as pesquisas do IBGE).
Público-alvo
- Estagiários do IPEDF.
- Pesquisadores do IPEDF.
- Pessoas do IPEDF com desejo de adquirir novos conhecimentos.
Requisitos básicos:
- Noções de lógica de programação.
- Noções básicas de estatística.
- Noções básicas de inglês (para facilitar pesquisas e entendimento das funções).
Conteúdo:
- Introdução ao R;
- Projetos com controle de versão pelo Github;
- Acesso ao banco de dados do IPEDF;
- Carga da Pesquisa Distrital por Amostra de Domicílios 2021;
- Introdução ao
tidyverse; - Operador
pipe, manipulação de textos com o pacotestringre datas com o pacotelubridate; - Transformação de dados com
dplyretidyr; - Visualização de dados com
ggplot2; - Elaboração de mapas com auxílio do pacote
sf; - Utilização dos pacotes
surveyesrvyrpara pesquisas amostrais; - Elaboração de relatórios com o
Rmarkdown.
Introdução
Como surgiu o R e quem o utiliza hoje?
Por que usar o R e não outros softwares?
O R é um sistema para estatística computacional e gráfica;
Um dos focos do R é análise de dados e a interatividade. Isso faz com que o R seja uma linguagem intuitiva e flexível;
Código aberto: sem pirataria!
Constantemente atualizado;
Comunidade ativa e cada vez mais ampla (estatística, economia, sociologia, psicologia, biologia etc.);
O R possui a possibilidade de adotar diversos pacotes. Estes pacotes são coleções de funções e/ou bases de dados desenvolvidos pela comunidade que utiliza a ferramenta. Os pacotes ficam disponíveis no CRAN – Comprehensive R Archive Network – que nada mais é do que uma coleção de sites da linguagem R e seus documentos relacionados;
Versatilidade para integração com outras linguagens e ferramentas. Já é possível rodar python diretamente no RStudio (o RStudio está mudando de nome; acesse https://posit.co/ para mais informações);
As versões mais recentes do R podem ser baixadas neste site. Uma versão específica, e também gratuita e aprimorada da Microsoft para certas plataformas, está disponível neste site.
Debilidades do R
O R é, em muitos casos, preterido por programadores no desenvolvimento de aplicações (por exemplo, sua linguagem não se aproxima tanto da linguagem utilizada por esses profissionais quanto o python);
Para alguns pacotes, a documentação pode não ser tão clara ou detalhada quanto a existente em outras ferramentas (como o Stata, por exemplo);
Nem sempre é fácil interpretar as mensagens de erro. Nesses casos, o código aberto permite rastrear todos os passos executados, auxiliando as depurações;
Por ser uma ferramenta de código aberto, o suporte para problemas é baseado na comunidade. Não existe uma entidade que fique responsável por prover soluções. Contudo, a comunidade do R é muito ampla e prestativa, minimizando esse tipo de situação;
Também por ser código aberto, nem todos os pacotes recebem atualizações periódicas, podendo sofrer problemas de compatibilidade ou obsolescência ao longo do tempo;
A instalação de alguns pacotes e ferramentas podem ser complicadas, exigindo algum conhecimento mais avançado dos usuários conforme a plataforma utilizada;
Devido aos itens anteriores, a reprodutibilidade de alguns scripts pode ficar comprometida. Guardar informações da sessão em que o código foi executado pode mitigar essa situação (versão do R, da platarforma e dos pacotes utilizado). O gerenciamento centralizado do RStudio Server, por exemplo, contribui para minimizar esse tipo de ocorrência.
RStudio (futuramente Posit)
O RStudio é um ambiente integrado de desenvolvimento (integrated development environment – IDE) para a linguagem R e outras (como o Python). Ele ajuda a organizar os trabalhos desenvolvidos, dividindo os conteúdos em janelas. Ele, por exemplo, tem recursos que facilitam a escrita dos códigos (com atalhos de teclado e o recurso de autocompletar). Além disso, possibilita que algumas funções sejam utilizadas via point-and-click. Acesse essa página para maiores informações (em inglês).
Para baixar o RStudio, acesse este site.
Um recurso muito importante do RStudio, amplamente utilizado no IPEDF, é a possibilidade de criar projetos. Nossos projetos são conduzidos com controle de versão, por meio do Github.
RStudio Server
O IPEDF conta com o RStudio server, o que significa que você pode acessar e trabalhar de qualquer máquina conectada à rede do GDF diretamente do navegador. Clique aqui para acessar o servidor.
Uma vantagem de utilizar o Rserver é sua maior capacidade de processamento, quando comparado com as máquinas locais, contando atualmente com 32GB de memória RAM e um processador de 16 núcleos.
Além disso, os pacotes instalados para a realização de um projeto ficam disponíveis para os demais usuários do insituto, sendo periodicamente atualizados pelo administrador do servidor. Isso facilita a reprodutibilidade dos códigos escritos por outros usuários, auxiliando também na continuidade de pesquisas e projetos. Sempre que precisar instalar um pacote, comunique o administrador do servidor [frederico.souza@ipe.df.gov.br ou thiago.rosa@ipe.df.gov.br] para que ele também fique disponível para os demais usuários. Caso você necessite um pacote que demande alguma atualização do servidor, contate o administrador do servidor explicando os detalhes.
Banco de dados do IPEDF
O IPEDF conta com um banco de dados com as principais pesquisas do instituto, já organizadas e prontas para uso, além de outras fontes de dados secundárias bastante utilizadas em pesquisas (e.g. IBGE). A vantagem de se utilizar um banco de dados centralizado é que todos os pesquisadores usam a mesma fonte de informação para a produção de relatórios, garantindo consistência aos produtos gerados.
Além disso, as bases utilizadas em um trabalho ficam à disposição dos demais pesquisadores do insituto, evitando o tráfego de informações localmente. Quanto mais usuários estiverem utilizando a mesma fonte de dados, mais fácil fica para validar as informações e proceder eventuais correções, beneficiando todos os usuários.
Atualmente, o banco conta com as seguintes bases de dados:
- Pesquisa Distrital por Amostra de Domicílios;
- Pesquisa Metropolitana por Amostra de Domicílios;
- Pesquisa de Emprego e Desemprego;
- Pesquisa Nacional por Amostra de Domicílios;
- Pesquisa Nacional por Amostra de Domicílios Contínua;
- Pesquisa Nacional por Amostra de Domicílios Covid;
- Pesquisa de Orçamentos Familiares;
- Pesquisa Nacional de Saúde;
- Censo Demográfico;
- Cadastro de empresas da Receita Federal;
- Relação Anual de Informações Sociais – RAIS;
- Cadastro Geral de Empregados e Desempregados – CAGED;
- Censo escolar;
- Prova Brasil;
- Enem;
- IPCA;
- INPC;
- Pesquisas 156;
- Base de MEIs;
- Dados de Sindrome Respiratória Aguda Grave – Ministério da Saúde;
- Cadastros de endereços;
- Finanças públicas anuais.
Algumas bases de dados são de acesso público, enquanto outras são de acesso restrito. Todos os usuários, por padrão, possuem permissão de leitura das bases públicas. Para as bases restritas, é necessário preencher um termo de responsabilidade de uso, informando o projeto, o período de uso e os produtos a serem gerados com as informações. Esse termo deve ser aprovado pelo gestor da informação, antes que o acesso seja liberado pelo administrador do banco de dados. Esse processo visa a resguardar a confidencialidade das informações. O processo deve ser realizado via SEI.
As informações armazenadas no banco de dados podem ser facilmente
carregadas pelo R (ou na maioria dos demais pacotes estatístico), por
conexão ODBC – acrônimo para Open Database Connectivity. O
RStudio server já está configurado para fazer esta conexão, enquanto as
máquinas locais podem ser facilmente configuradas seguindo esses
passos. As bases são acessadas com o pacote RODBC ou
DBI, através de consultas SQL (Structured Query
Language), que nada mais é que uma linguagem estruturada para
realizar consultas em bancos de dados.
GitHub
O GitHub é uma plataforma online de compartilhamento e armazenamento de códigos. Os projetos do GitHub são baseados no git, uma ferramenta de versionamento de software.
A Codeplan utiliza o GitHub (ou o GitLab) para gerenciar e versionar seus projetos, de modo a mantê-los organizados e atualizados, sem o risco de perder informações acidentalmente ou por alguma falha técnica. Outra vantagem é a característica colaborativa da plataforma, permitindo o acesso aos códigos de qualquer lugar, via internet, por outros pesquisadores. Se o repositório for público, qualquer pessoa pode contribuir com os projetos, proporcionando ganhos a todos os futuros usuários.
Caso você não tenha conta, aproveite essa oportunidade para criar uma no Github. Vale lembrar que todos os pacotes desenvolvidos no R ficam armazenados no GitHub e são de acesso público para qualquer usuário. Assim, você pode consultar a programação de todas as funções existentes no R e em todos os seus pacotes (nada de caixa preta!).
RMarkdown
O Markdown é um sistema para tornar a escrita e a leitura de textos mais simples. Ele adiciona as formatações correspondentes à estrutura na qual você deseja apresentar seu texto. Tudo isso é feito de maneira simplificada, através de símbolos de teclado.
No R, o RMarkdown, é um tipo de documento especial que contém tanto
textos, no formato markdown, quanto códigos, em R. Os códigos em R (ou
em outras linguagens de programação) podem ser inseridos diretamente no
texto, entre dois acentos graves e seguidos da letra r, ou
separados em estruturas específicas (chunks). Os códigos são
executados sempre que o documento é processado para algum formato
específico, que pode ser HTML (como esse documento que você está lendo),
em PDF (formato \(\LaTeX\)) ou mesmo
microsoft Word. Apresentações de slides também podem ser facilmente
realizadas com o Rmarkdown, nos formatos HTML, PDF (\(\LaTeX\)) ou microsoft Power Point.
Alguns relatórios e apresentações do IPEDF são produzidos em RMarkdown. Apresentações da pesquisa 156 e os relatórios da PDAD 2018 e PDAD 2021 foram produzidos com esta ferramenta.
Suas principais vantagens são a velocidade, reprodutibilidade e eficiência na produção destes relatórios. Por exemplo, a produção de relatórios para 33 Regiões Administrativas do DF, a partir dos dados da PDAD 2021, ficou muito mais rápida e padronizada.
Para detalhes sobre como utilizar o RMarkdown, acesse esse e esse sites (em inglês).
Preliminares
Como instalar o R em uma máquina
Para instalar o R, acesse o site do R-project. Escolha sua plataforma e siga os passos para efetuar a instalação.
Se o seu sistema operacionar for Windows, baixe o R base e efetue e instalação. Para instalar alguns pacotes, você irá precisar instalar o Rtools. Baixe a versão adequada para o seu sistema e efetue a instalação.
Atenção: alguns pacotes necessitam a instalação de outros softwares. Caso algum pacote apresente erro durante a instalação, verifique as mensagens exibidas no console, consulte a documentação do pacote e verifique se os requisitos estão sendo atendidos.
Por fim, baixe e instale o RStudio.
Estrutura do RStudio Server
O primeiro passo é efetuarmos o login no RStudio server do IPEDF. Para isso, acesse o site do servidor.
Entre com suas credenciais (u seguido de sua matrícula) e faça o login.
O RStudio server estará dividido em quatro painéis (ou três, caso seja seu primeiro login): o superior à esquerda apresenta os scripts abertos para uso; o inferior à esquerda apresenta o console, local onde os comandos e seus resultados são apresentados. Nesse painel, há também uma aba para o terminal do Linux e uma aba Background Jobs, na qual você pode rodar scripts sem que sua sessão atual seja afetada; o superior direito apresenta o ambiente, com os objetos ativos na sessão. Há mais cinco abas, com o histórico dos comandos executados, as conexões, build (para desenvolvimentos), o Git (se você estiver no ambiente de projetos) e uma aba Tutorial com a qual você pode aprender algumas funcionalidade do R; por fim, o inferior direito apresenta o diretório de trabalho, com as pastas e arquivos. Há ainda mais quatro abas, que apresentam os plots gerados, os pacotes disponíveis na biblioteca, a janela de ajuda e a janela de visualização (utilizadas por alguns pacotes para mostrar conteúdos da web ou em html).
Na parte superior, existe uma barra de tarefas, com a qual você pode
criar novos scripts, projetos, abrir arquivos, executar buscas etc. São
formas de você executar funções por point-and-click. Por
exemplo, você pode alterar a visualização do RStudio server em
Tools -> Global Options... ->
Appereance, ou a disposição das janelas em
View -> Panes.
Por todos os painéis existem atalhos úteis para executar diversas tarefas (abrir um novo script, criar um novo projeto, salvar o script atual, criar uma nova pasta etc.). Aproveite para conhecer essas opções.
Pacotes
Uma das funções mais básicas é instalar e carregar um pacote no R. Por exemplo:
#install.packages("tidyverse") # Instalar o pacote "tidyverse"
library(tidyverse) # Carregar o pacote "tidyverse"
# Siga os passos abaixo para instalar os pacotes utilizados nesse curso
# pacotes <- c("tidyverse","data.table","Hmisc","lubridate",
# "ggrepel","sf","sidrar","survey",
# "srvyr","scales","ggthemr","readxl",
# "kableExtra","psych","xtable")
# if(length(setdiff(pacotes,installed.packages()))==0){}else{
#
# install.packages(setdiff(pacotes,installed.packages()))
#
# }
#devtools::install_github('cttobin/ggthemr')
Note que o caractere # é utilizado para escrever
comentários na codificação. Documentar bem seu código é fundamental para
que as pessoas que trabalham com você entendam o que foi realizado. Além
disso, é fundamental para que uma tarefa que dependa desse código possa
ser executada ou alterada por outro pesquisador. Lembre-se que tudo o
que produzimos é público e deve ser o mais acessível possível para
qualquer pessoa! Para comentar uma série de linhas ao mesmo tempo,
utilize o atalho Ctrl+Shift+C
após selecioná-las.
Dica: para alterar várias linhas de uma só vez,
segure a tecla Alt e use o cursos para selecionar as
linhas. Desse modo, você conseguirá editar mais rapidamente seus scripts
que demandam repetição de termos. Para mais dicas, acesse esse site,
por Paweł Przytuła.
Tão importante quanto utilizar um pacote é citar ele no seu trabalho.
Para tanto, utilize a função citation().
citation("tidyverse")
Operadores básicos
Dentro do R, alguns operadores básicos são constantemente utilizados. Os mais comuns são:
| Operadores | Descrição |
|---|---|
|
|
Adição |
|
|
Subtração |
|
|
Multiplicação |
| / | Divisão |
| ^ ou ** | Exponenciação |
| %% | Resto da divisão |
| %/% | Divisão inteira |
| Operadores | Descrição |
|---|---|
| < | Menor |
| <= | Menor ou igual |
| > | Maior |
| >= | Maior ou igual |
| == | Exatamente igual a |
| != | Não é igual a |
| !X | Não X |
| X|Y | X ou Y |
| X&Y | X e Y |
| Operadores | Descrição |
|---|---|
| x <- valor | Atribuir ‘valor’ a ‘x’ |
| x <<- valor | Atribuir ‘valor’ a ‘x’ |
| valor -> x | Atribuir ‘valor’ a ‘x’ |
| valor ->> x | Atribuir ‘valor’ a ‘x’ |
| x = valor | Atribuir ‘valor’ a ‘x’ |
Algumas teclas de atalho podem ser bastante úteis na hora de escrever os códigos. Veja algumas das principais:
- Ctrl+enter: roda a linha selecionada no script, enviando-a para o console. Um dos atalhos mais utilizado.
- Ctrl+shift+M: (%>%) operador pipe.
- Ctrl+1: altera cursor para o script.
- Ctrl+2: altera cursor para o console.
- Ctrl+Alt+I: cria um chunk dentro de um arquivo RMarkdown.
- Alt+Shift+K: janela com todos os atalhos disponíveis.
- Alt+seleção com mouse: permite que você altere várias linhas de uma única vez.
Agora vamos realizar algumas operações matemáticas básicas com o R. Digite diretamente no console (ou abra um script e escreva os códigos) e utilize o atalho de teclado para rodar o código (você pode também rodar o código com o botão “Run” na parte superior da janela de script).
1 + 2 # Adição
3 - 1 # Subtração
2 * 2 # Multiplicação
1 / 4 # Divisão
O R também realiza testes lógicos. Vamos testar alguns deles.
2+2==4 # 2 + 2 é igual a 4?
2+2==5 # 2 + 2 é igual a 5?
2+2&1+3==4 # 2 + 2 e 1 + 3 são iguais a 4?
2+2|1+4==5 # 2 + 2 ou 1 + 4 são iguais a 5?
No último exemplo testamos se alguma das duas expressões era
verdadeira. Para testar cada uma separadamente, precisamos de uma função
de entrada de vários argumentos simultaneamente. A função utilizada para
combinar é a c(), na qual seus argumentos são separados por
vírgulas. Vamos refazer o último exemplo.
c(2+2,1+4)==5 # 2 + 2 é igual a 5? 1 + 4 é igual a 5?
Agora, o R testa separadamente os dois casos.
Utilizar chamada de funções
As funções no R são palavras específicas seguidas de parenteses
(). Algumas delas estão sempre disponíveis no R (como as
base functions), enquanto outras estão apenas quando os
pacotes são carregados. Vamos ver as funções de soma sum()
e de multiplicação prod().
sum(1,2) # Adição
prod(2,2) # Multiplicação
Algumas funções podem ser chamadas diretamente de seus pacotes, sem
que seja necessário carregá-lo. Para isso, escreva o nome do pacote
instalado, seguido do símbolo ::.
psych::describe(c(1,2)) # Utilizando a função describe, do pacote "psych", sem carregá-lo
Apesar de ser necessário digitar mais caracteres para obter o resultado, chamar funções desta maneira apresenta duas vantagens. A primeira é que fica claro, em cada passo, qual o pacote está sendo utilizado para executar determinada tarefa. Em segundo lugar, caso exista algum outro pacote com uma função de mesmo nome, não haverá o risco de utilizarmos a função errada para o problema que estamos tratando.
Criar uma função
Você pode criar suas próprias funções do R. Por exemplo, ao invés de
utilizar a função de soma sum, nós podemos criar nossa
própria função para somar dois valores.
# Função para somar dois valores
somar <-
# Abrir argumento para criação de função e informar dentro dos parenteses os parâmetros
function(x,y){
# Construir a operação de soma
z = x + y
# Retornar o resultado
return(z)
}
#Aplicar a função
somar(2,4)
No caso acima, determinamos que a função deve ser dois argumentos,
x e y, os quais serão somados e atribuídos a
variável z, que, por sua vez, será apresentada com a função
return().
Tipos de dados
O R cria seus objetos em diversas classes e tipos. Para as classes,
elas podem ser: lógica, inteiro,
numérico, complexo ou caractere.
Vamos olhar alguns exemplos:
x <- 1L # inteiro
class(x)
x <- 1 # numérico
class(x)
x <- 8i # complexo
class(x)
x <- TRUE # lógico
class(x)
x <- "hello" # character
class(x)
Sobre os tipos, que dizem respeito à estrutura de como as informações
são organizadas, temos, entre outros: vetor,
lista, matriz,
data frame,tibble, fator e
tabela. Vejamos primeiramente o vetor, o mais
simples deles.
x <- c(1,2,3) # Vetor numérico
typeof(x) # Checar o método de armazenagem
class(x) # Checar a classe
length(x) # Checar o tamanho
str(x) # Checar a estrutura
Entre as classes de objetos, sempre que você tentar misturar elementos distintos, o R irá forçar a conversão do vetor para uma classe única. Ele segue a seguinte regra:
DOMINANTE
character > complex > numeric > integer > logical
RECESSIVO
As classes de um vetor poder ser alteradas com as seguintes funções:
x <- 1:10
class(x)
as.numeric(x)
as.logical(x)
as.character(x)
Caso o R não consiga converter algum elemento entre as classes, ele
emitirá um aviso, colocando um valor ausente em seu lugar
(NA - Not Available).
Agora vamos ver uma matriz.
x <- matrix(ncol = 2,nrow = 2) # Criar uma matriz 2 x 2
dim(x) # Checar as dimensões da matriz
x[,] <- c(1,7,9,6) # Atribuir valores à matriz
x <- 1:3 # Contruir um vetor x
y <- 10:12 # Construir um vetor z
z <- cbind(x,y) # Montar uma matriz a partir destes vetores (por colunas)
z <- rbind(x,y) # Montar uma matriz a partir destes vetores (por linhas)
Temos algumas operações úteis para matrizes, como transpor e inverter.
m <- matrix(1:4,ncol = 2,nrow = 2) # Construir a matriz m
n <- matrix(5:8,ncol = 2,nrow = 2) # Construir a matriz n
t(m) # matriz transposta de m
m %*% n # multiplicação matricial de m por n
solve(m) # matriz inversa de m
A lista é um tipo de objeto que pode armazenar diferentes classes em um mesmo local.
lista <- list(1,"galo",2i,2.61,TRUE,matrix(1:4)) # Criar uma lista
lista # Checar a lista criada
lista[[2]] # Acessar o segundo elemento da lista
lista <- list(a=1,b="galo",c=2i,d=2.61,e=TRUE,f=matrix(1:4)) # Criar uma lista, com nomes dos elementos
Os fatores são particularmente importantes para a apresentação dos
dados e para regressões. Eles servem para tratar vetores categóricos ou
enumeráveis. Vamos ver um exemplo, utilizando logo após a função
table(), para fazer uma tabulação simples dos valores.
# Construir um fator
x <- factor(c("sim","sim","sim","não","sim","não"),levels = c("não","sim"))
table(x) # Tabular os dados
levels(x) # Verificar os níveis dos fatores
class(x) # classe do objeto
# Construir um fator ordenado
x <- factor(c("ruim","bom","ruim","péssimo","ótimo"),
levels = c("péssimo","ruim","bom","ótimo"),
ordered = TRUE)
table(x) # Tabular os dados
levels(x) # Verificar os níveis dos fatores
class(x) # classe do objeto
# Construir um fator de variáveis com códigos
x <- factor(c(1,1,2,1,2,1,2),
levels = c(1,2),
labels = c("Sim","Não"))
table(x) # Tabular os dados
levels(x) # Verificar os níveis dos fatores
class(x) # classe do objeto
x <- factor(c(1,1,2,1,2,1,2,3,4),
levels = c(4,3,2,1),
labels = c("péssimo","ruim","bom","ótimo"),
ordered = TRUE)
table(x) # Tabular os dados
levels(x) # Verificar os níveis dos fatores
class(x) # classe do objeto
As estruturas dos data frames e tibble,
focos deste curso, serão tratadas em detalhes mais adiante, quando
começarmos a manipular a PDAD 2021.
Para finalizar, temos alguns números/valores especiais no R:
-Inf, Inf, NA e NaN.
Os dois primeiros se referem ao infinito em ambas as direções, enquanto
os dois últimos são os valores ausentes. Enquanto o NaN se
refere a valores “não numéricos”, funcionando como nulo, os valores
ausentes propriamente ditos são da forma NA, podendo
assumir diferentes classes. Há ainda o objeto da classe
NULL, que seria um objeto vazio. Usualmente ele é utilizado
em definições de listas com tamanho zero.
1/Inf # Divisão de 1 por infinito
-1/0 # Infinito - divisão de 1 por zero (conceito de limite)
1/0-1/0 # Infinito menos infinito - Indefinido (não numérico)
x <- NA # Missing value (valor ausente)
is.na(x) # Validar se é NA
x <- NULL # Vazio
is.null(x) # Validar se é NULL
Controles de fluxo
Temos algumas estrutura que testam condições e estabelecem fluxos no
R. São exemplos os condicionantes if, else,
for e while.
Podemos fazer um teste lógico para que o R execute uma soma quando
uma condição é atendida. Vejamos uma aplicação do if.
# Criar um objeto com x com o valor 2
x <- 2
# Realizar uma soma se x é igual 2
if(x==2){
x+2
}
# Realizar uma soma se x é igual a 3
if(x==3){
x+2
}
Agora vamos usar o condicionante if juntamente com o
condicionante else.
# Atribuir o valor 8 à x
x <- 8
# Testar se x é positivo ou negativo
if(x < 0) {
"negativo"
} else if(x == 0) {
"zero"
} else if(x > 0) {
"positivo"
}
# Outra maneira de escrever o código
#if(x<0){"negativo"}else if(x==0){"neutro"}else if(x>0){"positivo"}
Note que, sempre que um novo condicionante é adicionado, o RStudio adiciona uma seta para baixo (quando se passa para uma próxima linha), indicando onde se inicia o novo fluxo.
O operador for é utilizado para realizar uma tarefa
baseada em uma lista de valores. Vamos somar uma unidade aos valores
listados entre 5 e 10.
# Criar uma lista de índices
i <- 1:10
# Somar 1 aos valores de 5 a 10
for(i in c(5:10)){
print(i+1)
}
Por fim, temos condicionante while. Ele executa a tarefa
até que uma certa condição seja satisfeita. Por exemplo, vamos somar
duas unidades a x enquanto o resultado é menor ou igual a 10. Esse
condicionante pode ser utilizado, por exemplo, para a maximização de
funções.
x <- 1
while (x<=10) {
print (x)
x=x+2
}
Operador Pipe
Com o R, nós podemos “aninhar” várias funções ao mesmo tempo. Por exemplo, se alguém quiser somar um vetor de números, tirar a raiz quadrada e arrendondar o resultado, podemos fazer tudo isso em uma única linha de comando.
x <- c(1:10) # Criar o vetor numérico
round(sqrt(sum(x))) # Calcular a raíz quadrada da soma do vetor x, arredondando o resultado
Todavia, aninhar várias funções ao mesmo tempo, em algumas situações, pode deixar o código confuso. Vejamos um exemplo de função hipotética para preparação de um bolo.1
# esfrie(asse(coloque(bata(acrescente(recipiente(rep("farinha", 2), "água", "fermento", "leite", "óleo"), "farinha", até = "macio"), duração = "3min"), lugar = "forma", tipo = "grande", untada = T), duração = "50min"), "geladeira", "20min")
Dentro de um mesmo código, é possível indentar as linhas, sempre que um novo argumento da função precisa ser separado por vírgula.
# esfrie(asse(coloque(bata(acrescente(recipiente(rep("farinha", 2),
# "água", "fermento",
# "leite", "óleo"),
# "farinha", até = "macio"),
# duração = "3min"),
# lugar = "forma", tipo = "grande", untada = T),
# duração = "50min"), "geladeira", "20min")
Mesmo assim, ainda resta alguma dificuldade para ler e entender o
código de uma maneira mais clara e fluída. O operador pipe
%>% é utilizado para facilitar a programação e a
leitura, deixando o código mais arrumado. Ele realiza o seguinte
comando, de maneira bastante intuitiva: “use o resultado do lado
esquerdo como argumento da função do lado direito”. Para
utilizá-lo, é necessário carregar algum pacote que leve o operador. Ao
carregar o tidyverse, por exemplo, você já estará apto a
utilizar o pipe (originalmente disponível com o pacote
magrittr).
Vamos testar o operador pipe para calcular novamente a raiz quadrada da soma de um vetor.
x <- c(1:10)
x %>% sum %>% sqrt %>% round
Observe que a escrita fica muito mais intuitiva e elegante. Para o caso do bolo:
# recipiente(rep("farinha", 2), "água", "fermento", "leite", "óleo") %>%
# acrescente("farinha", até = "macio") %>%
# bata(duração = "3min") %>%
# coloque(lugar = "forma", tipo = "grande", untada = T) %>%
# asse(duração = "50min") %>%
# esfrie("geladeira", "20min")
A utilização do pipe será muito importante para a manipulação das bases de dados, uma vez que, geralmente, são necessárias várias sequências de funções até que elas fiquem no formato desejado para análise.
Onde encontrar ajuda
Há várias maneiras de encontrar ajuda sobre um pacote específico. Por
exemplo, você pode acessar os detalhes da função
psych::describe posicionado o cursor próximo a função e
pressionando a tecla F1.
Uma outra maneira é colocar uma interrogação \(?\) antes da função para a qual se quer
ajuda e executá-la. Uma terceira opção é utilizar a função
help.
?psych::describe
help("describe")
help(describe)
?psych
help("psych")
help(psych)
Para uma pesquisa mais ampla, que irá escanear todos os documentos de
pacotes instalados na sua biblioteca, você pode utilizar o símbolo \(??\) antes da função ou utilizar
diretamente a função help.search
??psych
help.search("psych")
Por fim, outra forma de realizar pesquisas, utilizando a internet é
com a função RSiteSearch.
RSiteSearch("psych") # Pesquisar um termo
O R é um software de código aberto. Toda e qualquer função pode ser
analisada. Para acessar o código de uma função, posicione o cursor sobre
a função e tecle F2. Você pode acessar a função rodando
somente o nome da função.
psych::describe
Algumas funções são aplicadas por diferentes métodos, como é o caso
da função mean. Para consultar os métodos disponíveis,
utilize a função methods.
methods(mean)
mean.default
mean.difftime
Para consultar uma função em qualquer pacote do R, utilize a função
getAnywhere.
getAnywhere(describe)
getAnywhere(describe)[1]
As funções do tipo .C(), .Call(),
.Fortran(), .External(), ou
.Internal() e .Primitive() chamam códigos
compilados, sendo necessário olhar o código fonte. Consulte o manual do R para maiores
informações.
Como alternativa, você pode acessar a página do Github do pacote e
verificar a função diretamente do arquivo .R. Por exemplo,
as funções do pacote base estão disponíveis aqui.
Para uma discussão aprofundada sobre o tema, acesse esse site.
Além disso, no RStudio, você conta com as Cheat Sheets, na
barra superior de ajuda (Help). Você poderá baixar diversos
pdfs com “colas” para as principais operações realizadas na análise de
dados.
As versões mais recentes do RStudio contam com a aba Tutorial, na qual você poderá aprender alguns tópicos diretamente no RStudio.
O site stackoverflow é outra excelente fonte de informação. É muito possível que a dúvida ou o problema que você está encontrando em alguma programação já foi enfrentado por outro usuário. Assim, basta pesquisar sobre sua dúvida neste site (geralmente, feitas e respondidas em inglês).
Por fim, uma boa e velha máquina de buscas é fundamental. Quase todas as repostas você encontrará com sua utilização.
Carga da PDAD 2021
Vamos iniciar a atividade de manipulação de base de dados carregando a Pesquisa Distrital por Amostra de Domicílios 2021. A PDAD é uma pesquisa amostral conduzida pela Codeplan a cada dois anos, com representatividade para as 33 Regiões Administrativas2, tendo por objetivo traçar as principais características dos domicílios e pessoas destas localidades.
Vamos carregar a pesquisa de quatro maneiras diferentes. A PDAD 2021
está disponível, no formato .csv, no site da Codeplan,
neste endereço.
São cinco arquivos: dois deles contendo os microdados, referentes aos
domicílios e aos moradores; dois arquivos de dicionário, um em formato
.xlsx e outro em .pdf; e o questionário.
As bases de dados com microdados usualmente são separadas em tantos arquivos quanto necessário, seguidos sempre de uma documentação que detalha os aspectos técnicos, fornecendo informações para sua manipulação. Reserve um tempo para ler esses arquivos e se familiarizar com as questões presentes na pesquisa.
Vamos criar um projeto para fazermos nossas análises. Acesse sua
conta no github e crie um novo
repositório. Depois disso, vamos criar um novo projeto no RStudio
server. Para isso, clique em File ->
New project -> Version Control
->Git. No campo Repository URL, cole a url
do projeto que você acabou de criar.
Atenção: você pode copiar o link HTTPS ou
SSH do projeto na página do github. Para um tutorial de como utilizar
autenticação por chave SSH no RStudio, acesse esse site.
Agora que o projeto do nosso curso foi criado, vamos carregar os
arquivos da PDAD no servidor onde o RStudio está instalado. Crie uma
pasta chamada dados e salve os arquivos da pesquisa dentro
dela.
Como boa prática, é costume que apenas os códigos sejam carregados no
Github. Para ignorar a pasta de dados, abra o arquivo
.gitignore (caso que não tenha sido criado junto com o
projeto, basta criar um arquivo de texto com esse nome) e adicione uma
linha com a informação /dados.
É possível também fazer o download dos arquivos diretamente pelo R seguindo os passos abaixo.
# Criar um novo diretório
#dir.create("dados")
# Listar as informações da URL
library(RCurl)
# Pegar informações da URL
info <- getURL("https://www.codeplan.df.gov.br/microdados-pdad-2021/",
verbose=TRUE,
ftp.use.epsv=TRUE,
dirlistonly = TRUE)
# Separar as informações em linhas
info <- str_split(info,"\n") %>%
unlist
# Extrair as informações do arquivo csv de interesse
b <- info[str_detect(info,".csv")]
# Pegar a URL, extraindo a informação entre aspas
b <- str_match(b, '["](.*?)["]')[3:4]
# Criar o caminho de destino, pegando o nome do arquivo
td <- paste0("dados/",str_extract(b,'Mor(.*?).csv$')[2])
# Fazer o download do csv
download.file(b[2], td, mode="wb")
# Fazer a mesma coisa para o arquivo de domicílios
td <- paste0("dados/",str_extract(b,'Dom(.*?).csv$')[1])
download.file(b[1], td, mode="wb")
# Fazer o download do dicionário em excel
d <- info[str_detect(info,".xlsx")]
# Pegar a url
d <- str_match(d, '["](.*?)["]')[2]
# Pegar o nome do arquivo
td <- paste0("dados/",str_extract(d,'Dic(.*?).xlsx$'))
# Fazer o download
download.file(d, td, mode="wb")
# Pegar os arquivos pdf da PDAD
pdf <- info[str_detect(info,"Man(.*?).pdf|Ques(.*?).pdf")] %>%
# Pegar a URL
str_match('href=(.*?).pdf') %>%
# Tratar a URL
str_remove('href="') %>%
# Ficar com as linhas de interesse
.[1:2]
# Baixar os dois arquivos
for(i in pdf){
# Pegar o nome do arquivo
nome <- str_extract(i,"7(.*?)$") %>%
str_remove("7/")
# Criar o caminho do arquivo
td <- paste0("dados/",nome)
# Fazer o download
download.file(i, td, mode="wb")
}
Feito isso, vamos agora carregar os dados no R de diferentes métodos.
Método point-and-click
Para isso, clique em Import Dataset, no atalho do painel
Ambiente. O RStudio server vem configurado com duas opções
para você importar os dados. Vamos ver a primeira delas:
From Text(base).
Nesta primeira opção, você seleciona o arquivo .csv
salvo no passo anterior e o R já apresenta a estrutura dos dados a ser
carregada. Marque a opção “yes” em Heading e desmarque a
opção String as factors. Caso deseje, altere o nome do
arquivo e clique em importar.
Note que, no painel console, o código necessário para carregar a base foi inserido automaticamente. Teste novamente, copiando essa linha de comando e rodando no console.
pdad_2021_moradores <- read.csv2("dados/Moradores.csv", stringsAsFactors=FALSE)
Utilize a função View() para visualizar a base de dados
(inserindo o nome do objeto dentro dos parênteses), ou clique em cima do
objeto no painel Environment.
O RStudio apresenta apenas 50 colunas por vez. Clique nas setas para
navegar para o próximo conjunto de 50 colunas. Caso queira aumentar a
quantidade de colunas a serem exibidas, utilize
rstudioapi::writeRStudioPreference("data_viewer_max_columns", 1000L)
(neste exemplo, o número de colunas é elevado para 1.000).
Vamos agora testar o segundo método. Novamente, clique em
Import Dataset, no atalho do painel
Environment, mas agora na opção
From Text(readr). Agora, ao invés de informar o arquivo que
você baixou, basta informar o link onde ele está hospedado. No nosso
caso, é o mesmo endereço em que baixamos os dados da PDAD 2021. Vamos
testar com a base
de moradores.
Assim que você inserir o link para a pesquisa, clique em
Update para visualizar uma prévia dos dados. Mude o
delimitador dos dados para Semicolon, clique em
Configure no campo Locale e altere o marcador
decimal para “,” (Decimal Mark), deixando vazio o campo
Grouping Mark. Aceite as configuração realizadas clicando
em Configure e, finalmente, clique em Import.
Repare, novamente, que o comando necessário para carregar os dados
aparece no console. Desta vez, a função utilizada para ler o conjunto de
dados foi read_delim. Mais uma vez, copie e rode essa linha
de comando diretamente no console, para ver como carregar a base sem o
auxílio do painel.
library(readr)
pdad_2021_moradores <- read_delim("https://www.codeplan.df.gov.br/wp-content/uploads/2022/07/PDAD_2021-Moradores.csv",
";", escape_double = FALSE, locale = locale(decimal_mark = ",",
grouping_mark = ""), trim_ws = TRUE)
Você poderia carregar os dados, de ambas as maneiras, diretamente
pela linha de comando, de outras formas. Um outro pacote, bastante útil
e veloz para o carregamento de dados, é o data.table. Vamos
treinar o carregamento dos dados pela linha de comando com ele. Para
isso, vamos antes limpar o ambiente, excluindo os objetos carregados
anteriormente, com a função rm().
rm(pdad_2021_moradores) # Remove apenas o objeto "pdad_2021_moradores"
rm(list=ls()) # Remove todos os objetos do ambiente
Note que você pode excluir todos os objetos do ambiente, listando-os
com a função ls(). Vamos também definir o diretório padrão
em que estamos trabalhando. O RStudio server, por padrão, utilizará a
pasta do seu usuário no servidor. Para consultar o diretório ativo no
momento, utilize a função getwd().
getwd() # Consultar diretório de trabalho ativo
Vamos alterar para a pasta dados, criada para armazenar
as bases de dados.
# Alterar diretório para 'dados'
setwd("./dados")
# Visualizar diretório ativo
getwd()
# Listar arquivos
list.files()
# Retornar para o nível anterior do diretório
setwd("..")
# Consultar diretório
getwd()
Repare que existem várias maneiras de definir o diretório padrão.
Caso ele seja um subdiretório do qual você já está trabalhando
atualmente, basta entrar com o caractere . antes do caminho
desejado. Este recurso é um atalho para o endereço do diretório
atualmente ativo no R. Você também pode indicar o caminho completo.
Atente-se para o fato de que o padrão dos caminhos é a barra invertida
/. Apesar de este ser o padrão Linux, ele também deve ser
seguido nas demais plataformas, como o Windows (você pode utilizar
também duas barras seguidas nos caminhos do Windows \\). Um
atalho para o diretório padrão do seu R é o caractere ~. O
caractere .. indica o nível anterior do diretório.
Método por linha de comando
Agora vamos carregar novamente a base de moradores da PDAD, desta vez apenas utilizando a linha de comando.
# Carregar o pacote
library(data.table)
# Carregar a base de um link da internet.
pdad_2021_moradores <- data.table::fread("https://www.codeplan.df.gov.br/wp-content/uploads/2022/07/PDAD_2021-Moradores.csv",dec = ",",encoding = "Latin-1",
data.table = FALSE,
integer64 = "character")
# Carregar a base de um arquivo local
pdad_2021_moradores <- data.table::fread("dados/Moradores.csv",
dec = ",",encoding = "Latin-1",
data.table = FALSE,
integer64 = "character")
Com a função fread() é possível carregar a base de ambas
as maneiras vistas anteriormente. Note que a função fread()
detectou o delimitador automaticamente. Informamos apenas que o
separador decimal da nossa base é a vírgula, com a opção
dec="," e que o enconding do arquivo é
enconding=Latin-1. Essa última opção é importante quando
estamos transitando arquivos salvos em diferentes plataformas,
principalmente entre Windows e Linux, que possuem formas distintas de
tratar caracteres especiais. O parâmetro data.table=FALSE
carregará a tabela no formato data.frame, ao invés do
padrão data.table, enquanto o parâmetro
integer64 = "character" irá tratar número do tipo
Bigint como character. Neste curso, aprenderemos a
trabalhar data.frames e tibbles, embora exista
a possibilidade de se realizar manipulações com o pacote
data.table de maneira bastante eficiente. Agora que você já
aprendeu a carregar a base de moradores, pratique carregando também a
base de domicílios.
Carga pelo banco de dados
A última maneira, que deverá ser sempre sua primeira
opção, é carregar a base diretamente do banco de dados da
Codeplan. Para isso, vamos precisar do pacote RODBC, que
fará a nossa conexão com o banco de dados. Isso é feito através da
função odbcConnect().
O primeiro argumento desta função é o nome do banco de dados,
atribuído no momento da configuração da conexão ODBC. No RServer, o nome
atribuído foi db_codeplan. Este argumento deve ser
fornecido entre aspas. Os próximos argumentos são o nome de usuário e
senha. Você deve usar as suas credenciais, fornecidas pelo administrador
do banco de dados.
# Carregar pacote
library(RODBC)
# Abrir conexão com o banco de dados
# Atenção! Não utilize a função Sys.getenv sem confirar o ambiente antes!
db <- RODBC::odbcConnect("db_codeplan", uid=Sys.getenv("matricula"), pwd=Sys.getenv("senha"))
Pronto! Já estamos conectados ao banco de dados.
IMPORTANTE: sempre que você estiver escrevendo um código, o qual irá
posteriormente subir no Github, NUNCA, JAMAIS e EM HIPÓTESE ALGUMA salve
seu usuário e senha no script. Isso representa uma grave quebra de
segurança, podendo ter importantes repercussões. Utilize umas das três
opções: i) sempre preencha manualmente seu usuário e senha; utilize
arquivos .Renviron com suas credenciais; utilize o pacote
keyring para o gerenciamento de credenciais. A solução
acima utiliza o arquivo .Renviron, que pode ser configurada
pelo RStudio com a função usethis::edit_r_environ().
Para consultar as tabelas disponíveis, utilizamos a função
sqlTables(). O argumento desta função é o objeto com a
conexão que fizemos para o banco de dados.
# Verificar as tabelas disponíveis no banco de dados
tabelas <- RODBC::sqlTables(db)
No objeto tabelas, podemos observar todas as tabelas que
temos permissão de acesso. Para consultar as tabelas, você pode clicar
no objeto carregado ou utilizar a função View(), utilizando
o nome do objeto como argumento. Para consultar a classe do objeto
carregado, utilize a função class(), enquanto, para ver os
nomes da colunas, utilize as função names(). A função
head() apresenta as primeiras linhas do data.frame,
enquanto a função tails() apresenta as últimas. Os tipos
das colunas podem ser consultados com a função str() ou
glimpse(), do pacote dplyr. Finalmente,
podemos consultar a quantidade de linhas e a quantidade de colunas
carregadas com as funções nrow() e ncol(),
respectivamente.
#View(tabelas) # Visualizar o objeto tabelas
class(tabelas) # Verificar a classe do objeto
names(tabelas) # Verificar o nome das colunas carregadas
head(tabelas) # Verificar as primeiras linhas da tabela
tail(tabelas) # Verificar as últimas linhas da tabela
str(tabelas) # Verificar as classes das colunas
dplyr::glimpse(tabelas) # Outra opção para checar as classes
nrow(tabelas) # Consultar o número de linhas
ncol(tabelas) # Consultar o número de colunas
A coluna TABLE_CAT informa o banco de origem,
TABLE_SCHEM informa o esquema da tabela,
TABLE_NAME o nome da tabela, TABLE_TYPE o tipo
e REMARKS as observações, se houver alguma.
O objeto do tipo data.frame, que é o formato do objeto
tabelas, será o foco da nossa aula. Esse objeto é como se fosse
uma matriz, em que as linhas representam as observações e as colunas as
variáveis. Como em uma matriz, você pode acessar as linhas e as colunas
com o operador [,] logo após o nome do objeto. À esquerda,
indica-se a posição da linha, enquanto, à direita, indica-se a coluna.
Você pode utilizar a posição numérica ou o nome da coluna. Repare que a
função names() indica, além dos nomes, a posição das
colunas. Elas ficam entre colchetes, apresentadas em ordem crescente.
Outra maneira para acessar uma variável específica é utilizando o
caractere $ logo após o nome do data.frame.
Por exemplo, para consultar apenas a coluna com os esquemas, utilize um
dos comandos abaixo.
tabelas$TABLE_SCHEM # Consultar apenas a coluna "TABLE_SCHEM"
tabelas[,2] # Outra maneira de consultar a coluna "TABLE_SCHEM"
tabelas[,"TABLE_SCHEM"] # Mais uma maneira de consultar a coluna "TABLE_SCHEM"
tabelas[1:2,1:2] # Selecionar apenas as duas primeiras linhas e colunas
tabelas[1:2,]$TABLE_SCHEM # Selecionar apenas as duas primeiras linhas da coluna "TABLE_SCHEM"
tabelas[c(1,7,10:12),c(1,3)] # Selecionar linhar e colunas distintas
Para fazer uma tabulação simples, de modo a verificar o número de
tabelas em cada esquema, utilize a função table().
table(tabelas$TABLE_SCHEM) # Tabular a coluna
table(tabelas[,2]) # Tabular a coluna
table(tabelas[,"TABLE_SCHEM"]) # Tabular a coluna
Agora vamos aprender a filtrar os dados. Como o nosso objetivo é a PDAD, focaremos apenas nas tabelas deste esquema. Em outras palavras, queremos olhar apenas as linhas do esquema “pdad”. Isso pode ser feito da seguinte maneira.
tabelas[tabelas$TABLE_SCHEM=="pdad",3]
tabelas[tabelas[,2]=='pdad',]$TABLE_NAME
Dentro da tabela, para indicar a linha a ser selecionada, informamos
que queremos apenas as linhas em que a coluna TABLE_SCHEM é
exatamente igual à “pdad”. Note que, como se trata de um campo
caractere, devemos colocar a condição do filtro entre aspas (duplas ou
simples).
Com isso, já conseguimos identificar quais são as tabelas que temos
interesse em analisar. Vamos refazer todos esses passos, agora de uma
maneira muito mais simples e rápida, com o pacote dplyr,
utilizando os pipes.
# Carregar o pacote dplyr
library(dplyr)
# Consultar as tabelas disponíveis
RODBC::sqlTables(db) %>%
# Filtrar apenas linhas do esquema PDAD
dplyr::filter(TABLE_SCHEM=="pdad") %>%
# Selecionar apenas a coluna com as tabelas
dplyr::select(TABLE_NAME)
Com as funções filter e select, conseguimos
filtrar e selecionar colunas facilmente, de uma maneira rápida e
elegante. Muitas vezes precisamos alterar o nome de uma coluna, seja
para tornar seu entendimento mais fácil, seja por questão de
conveniência seja por necessidade. Podemos fazer isso de duas maneiras:
com a função colnames(), do pacote base, ou
com a função rename(), do pacote dplyr.
# Alterar o nome da coluna "TABLE_SCHEM" para Esquema
colnames(tabelas)[2] <- "Esquema"
names(tabelas)[2] <- "Esquema"
# Verificar o resultado
names(tabelas)
# Alterar o nome com o dplyr
RODBC::sqlTables(db) %>%
# Filtrar apenas linhas do esquema PDAD
dplyr::filter(TABLE_SCHEM=="pdad") %>%
# Alterar os nomes das colunas
dplyr::rename(Nome=TABLE_NAME,
Banco=TABLE_CAT,
Esquema=TABLE_SCHEM,
Tipo=TABLE_TYPE,
Observações=REMARKS)
Perceba que foi necessário o conhecimento prévio de que o nome “pdad”
estava presente na coluna TABLE_SCHEM. O pacote
stringr conta com uma função para identificar certos
argumentos no filtro, baseado em caracteres. Vejamos a função
str_detect().
# Consultar as tabelas disponíveis
RODBC::sqlTables(db) %>%
# Filtrar apenas linhas do esquema PDAD
dplyr::filter(stringr::str_detect(TABLE_SCHEM, pattern = "pdad")) %>%
# Selecionar apenas a coluna com as tabelas
dplyr::select(TABLE_NAME)
Agora que temos o nome das tabelas da PDAD, vamos consultar quais são
as colunas existentes, por exemplo, naquela referente às pessoas, do ano
de 2018. Para isso, vamos utilizar a função sqlColumns,
informando a tabela específica no formato [nome do esquema].[nome da
tabela].
# Consultar colunas
colunas <- RODBC::sqlColumns(db,"pdad.mor2021")
Os nomes das variáveis disponíveis estarão na coluna
COLUMN_NAME. O objeto carregado possui diversas
informações, como o tipo e o tamanho da coluna. Como, neste momento,
vamos trabalhar apenas com os nomes das colunas, vamos utilizar o que já
aprendemos para visualizar somente esta informação.
# Consultar as colunas da mor2021
RODBC::sqlColumns(db,"pdad.mor2021") %>%
# Selecionar a coluna "COLUMN_NAME"
dplyr::select(COLUMN_NAME)
Feito isso, já estamos pronto para carregar a base de moradores da
PDAD no R. Para isso, vamos utilizar a função sqlQuery.
Dentro dessa função, enviamos uma consulta SQL ao banco de dados, da
mesma maneira que fazemos em qualquer outro programa de acesso a BD. A
única diferença é que o pacote RODBC estará intermediando a
comunicação, apresentando os dados quando pertinente. Por exemplo, caso
tenhamos permissão para tal, podemos criar, excluir ou alterar tabelas
do banco de dados diretamente do R.
Vamos, então, carregar a base de pessoas. A estrutura para realizar
uma consulta é bastante simples: dizemos a ação que queremos realizar
que, no caso da consulta, é feita com a palavra select;
informamos as variáveis a serem carregadas, separando-as por vírgulas;
dizemos de onde queremos obter esses dados, com a palavra
from; e informamos o local em que a tabela está armazenada
no banco de dados, na estrutura “esquema.tabela”, no nosso caso,
pdad.mor2021.
Como consultamos os nomes das tabelas anteriormente, vamos carregar somente as informações sobre a Região Administrativa e o número de moradores no domicílio, para realizarmos um pequeno exercício.
# Carregar a base de moradores da PDAD 2018
pdad_2021_moradores <- RODBC::sqlQuery(db,"select A01ra from pdad.mor2021")
ALTERNATIVA: Pacote DBI e interface de conexão pelo RStudio Server
Uma maneira alternativa de conexão ao banco de dados é com os pacotes
DBI e odbc, que possuem integração com o
RStudio server. Para algumas finalidades, esse tipo de conexão pode ser
mais indicada. Vamos ver como fazer a conexão com esse pacote.
# Conexão ao banco de dados com o pacote DBI
db <- DBI::dbConnect(odbc::odbc(), "db_codeplan",uid=Sys.getenv("matricula"),pwd=Sys.getenv("senha"))
O primeiro argumento indica o driver necessário para estabelecer a
conexão. Os demais argumentos são os mesmo utilizados para a conexão com
o pacote RODBC. Assim que você fizer a conexão, o pacote já
ativa a aba Connections, no painel superior direito.
Por ali, você pode consultar os bancos, esquemas e tabelas disponíveis, bem como as colunas. Para verificar uma prévia com as 1.000 primeiras linhas, basta clicar ícone da tabela desejada. Para consultar as tabelas ou colunas disponíveis (que são retornadas em formato de vetor), utilize as funções abaixo.
DBI::dbListTables(db) # Consultar tabelas
DBI::dbListFields(db,"mor2018") # Consultar colunas da tabela mor_2018
Para fazer uma consulta, utilize a função
pdad_2021_moradores <- DBI::dbGetQuery(db,"select A01ra from pdad.mor2021")
Continução
Vamos usar o que aprendemos para verificar, de maneira rápida, quantas pessoas foram entrevistadas em cada RA.
# Tabular a amostra por RA
table(pdad_2021_moradores$A01ra)
Note que os dados são apresentados com suas codificações.
Precisaremos do dicionário de variáveis para entendermos a
correspondências entre os códigos e as RAs. Antes de começarmos a
realizar estes tratamentos, vamos carregar toda a base da PDAD. Para
isso, basta utilizar o caractere * na consulta SQL no
argumento das variáveis desejadas (todas, neste caso).
# Carregar a base completa de moradores
pdad_2021_moradores <- DBI::dbGetQuery(db,"select * from pdad.mor2021")
Para termos o dicionário de dados da base de moradores prontamente
acessível dentro do R, vamos carregado utilizando a função
readxl::read_excel().
# Listar os arquivos do diretório dados
list.files("dados")
# Carregar as informações do dicionário
dic_moradores <- readxl::read_excel("dados/Dicionario_de_variaveis_PDAD-2021.xlsx",
skip = 0,
sheet = 2)
Agora que temos as descrições das variáveis, disponível na coluna
Descrição da coluna, vamos adicionar esses rótulos à base
da pdad, com ajuda do pacote Hmisc. Esse passo, apesar de
dispensável, pode nos ajudar no entendimento do significado das
variáveis de maneira rápida, evitando consultas ao dicionário.
# Carregar o pacote
library(Hmisc)
# Criar um objeto com os rótulos
var.labels <- dic_moradores$`Descrição da coluna` %>%
# Retirar as linhas ausentes
na.omit
# Nomear esses rótulos com o nome das variáveis do nosso banco de dados
names(var.labels) <- names(pdad_2021_moradores)
# Adicionar os rótulos ao nosso banco de dados
pdad_2021_moradores <- Hmisc::upData(pdad_2021_moradores, labels = var.labels)
# Verificar o resultado
Hmisc::describe(pdad_2021_moradores)
Vamos agora ver como criar uma nova variável, no formato fator,
atribuindo label (rótulo) aos valores. Faremos isso com as
Regiões Administrativas de residência dos respondentes. Isso pode ser
feito, dentro do pacote dplyr, com as funções
mutate ou transmute. A primeira cria uma nova
variável no banco de dados, mantendo todas as demais, enquanto a segunda
mantém somente as variáveis que estão sendo criadas dentro da
função.
# Construir uma variável em formato de fator
RA <- pdad_2021_moradores %>%
dplyr::transmute(RA=factor(A01ra,
levels=1:33,
labels=c('Plano Piloto',
'Gama',
'Taguatinga',
'Brazlândia',
'Sobradinho',
'Planaltina',
'Paranoá',
'Núcleo Bandeirante',
'Ceilândia',
'Guará',
'Cruzeiro',
'Samambaia',
'Santa Maria',
'São Sebastião',
'Recanto das Emas',
'Lago Sul',
'Riacho Fundo',
'Lago Norte',
'Candangolândia',
'Águas Claras',
'Riacho Fundo II',
'Sudoeste/Octogonal',
'Varjão',
'Park Way',
'SCIA-Estrutural',
'Sobradinho II',
'Jardim Botânico',
'Itapoã',
'SIA',
'Vicente Pires',
'Fercal',
'Sol Nascente/Pôr do Sol',
'Arniqueira')))
# Tabular os resultados
table(RA$RA)
A função fator possui três argumentos principais: o vetor a ser “fatorizado”, os níveis existentes, i.e., o conjunto de valores únicos existente no vetor, e os rótulos que cada um dos níveis deve receber. Poderíamos ter feito isso utilizando diretamente o dicionário de variáveis, ajustando as informações pelo R.
# Filtrar somente as informações da coluna RA
dic_ra <- readxl::read_excel("dados/Dicionario_de_variaveis_PDAD-2021.xlsx",
skip = 0,
sheet = 3)
# Recodificar os nomes
ra_codificada <- pdad_2021_moradores %>%
dplyr::transmute(ra=factor(A01ra,
levels = dic_ra$Valor,
labels = dic_ra$`Descrição do valor`))
# Tabular os resultados
table(ra_codificada$ra)
Apesar de parecer mais complexo, isso evita que tenhamos de copiar, colar ou escrever manualmente o nome de todas as 33 Regiões Administrativas. Se o número de categorias fosse mais elevado, certamente esses passos seriam fundamentais para dar agilidade à tarefa a ser realizada.
Agora que já conseguimos identificar qual foi a amostra em cada uma
das RAs, vamos fazer uma gráfico simples, para verificarmos onde
obtivemos as maiores amostras. Para isso, vamos usar a o pacote
ggplot.
O ggplot trabalha com data.frames, e não somente com
vetores individuais, como é o caso da função plot,
disponível no pacote graphics do R. Uma vantagem do
ggplot é que você pode adicionar camadas a um gráfico
existente de maneira simples e rápida, com o operador +. A
função aes() é utilizada para especificar quais serão os
eixos do gráfico, usualmente x e y, bem como o que deverá ser desenhado
no gráfico. Para um tutorial mais completo, acesse esse
site.
RA %>%
# Criar a área de plotagem, com o eixo X
ggplot(aes(x=RA)) +
# Inserir a geometria do tipo "Barra", com a opção de contagem (gerada automaticamente no eixo y)
geom_bar(stat = "count") +
# Inverter os eixos
coord_flip()
Agora vamos organizar essas informações de uma outra maneira,
resumindo o total da amostra por Região Administrativa, refazendo o
gráfico, para colocá-lo em ordem decrescente de localidade amostrada.
Para isso, vamos utilizar o pacote forcats.
# Contar quantas pessoas foram amostradas em cada RA
RA %>%
# Contar quantas observações temos em cada RA
dplyr::count(RA) %>%
# Plotar o gráfico, ajustando as categorias de acordo com o total amostrado
ggplot(aes(x=forcats::fct_reorder(RA,n),y=n)) +
# Desenhar a geometria de barras
geom_bar(stat = "identity") +
# Inverter os eixos
coord_flip() +
# Rotular os eixos
labs(y="Amostra",
x="Região Administrativa")
Agora, a apresentação da informação ficou um pouco mais clara. Com o
pacote ggplot, é possível alterar praticamente todos os
aspectos de um gráfico. Existem alguns pacotes que carregam temas
pré-configurados para serem utilizados com o ggplot. Vamos
testar o pacote ggthemr. Basta rodar a função de mesmo nome
e todos os gráficos subsequentes serão gerados com o novo tema.
ggthemr::ggthemr()
#ggthemr::ggthemr_reset()
Rode novamente o gráfico anterior e veja o resultado.
Posteriormente, vamos aprender a realizar outras configurações nos
gráficos gerados com o ggplot.
Agora que já aprendemos a carregar e manipular as bases de dados, tente carregar a base de domicílios, diretamente do banco de dados.
# Carregar as informações do dicionário
dic_domiclios <- readxl::read_excel("dados/Dicionario_de_variaveis_PDAD-2021.xlsx",
skip = 0, sheet = 1)
# Criar um objeto com os rótulos
var.labels <- dic_domiclios$`Descrição da coluna` %>%
na.omit
# Nomear esses rótulos com o nome das variáveis do nosso banco de dados
names(var.labels) <- names(pdad_2021_domicilios)
# Adicionar os rótulos ao nosso banco de dados
pdad_2021_domicilios <- Hmisc::upData(pdad_2021_domicilios, labels = var.labels)
# Verificar o resultado
Hmisc::describe(pdad_2021_domicilios)
Aprofundando o tratamento de strings
Manipular string pode ser muito importante em uma pesquisa. Vamos ver
como podemos detectar algumas expressões com o pacote
stringr.
Abaixo você encontra alguns exemplos de operadores ao utilizar strings:
- ‘can’: reconhece tudo que tenha “can”, ignorando maiúsculas
- ‘CAN’: reconhece tudo que tenha “CAN”, ignorando minúsculas
- ‘can$’: reconhece apenas o que termina exatamente em “can”
- ‘^can’: reconhece apenas o que começa exatamente com “can”
- ‘c ?an’: reconhece tudo que tenha “can”, com ou sem espaço entre o “c” e o “a”
Veja como funcionam os testes lógicos.
| strings | ^can | c ?an | can | CAN | can$ |
|---|---|---|---|---|---|
| bacana | FALSE | TRUE | TRUE | FALSE | FALSE |
| can | TRUE | TRUE | TRUE | FALSE | TRUE |
| CANA | FALSE | FALSE | FALSE | TRUE | FALSE |
| encanado | FALSE | TRUE | TRUE | FALSE | FALSE |
| encanta | FALSE | TRUE | TRUE | FALSE | FALSE |
| levou o cano | FALSE | TRUE | TRUE | FALSE | FALSE |
Para se verificar quantas vezes um caractere se repete, dado um
determinado padrão, utilizamos os símbolos +,
* e {x,y}.
ey+significaee depoisy“uma vez ou mais”. Por exemplo, reconhecehey,heyy,a eyyy, mas não reconhecee,ynemyy.ey*significa “nenhuma vez ou mais”. Por exemplo, reconhecehey,heyy,a eyyyee, mas não reconheceynemyy.ey{3}significa “exatamente três vezes”. Por exemplo, reconheceeyyyeeyyyy, mas não reconheceeyy.ey{1,3}significa “entre uma e três vezes”.
Para aplicar um quantificador a um conjunto de caracteres, usamos os
parênteses. Por exemplo, (ey )+ reconhece
ey ey.
Colocando caracteres dentro de [], reconhecemos
quaisquer caracteres desse conjunto. Por exemplo:
[Cc]ursopara reconhecer “curso” em maiúsculo ou minúsculo.[0-9]para reconhecer somente números. Para letras:[a-z],[A-Z],[a-zA-Z]- O símbolo
^dentro do colchete indica negação. Por exemplo,[^0-9]significa todos os caracteres, exceto números. - O símbolo
.fora do colchete indica “qualquer caractere”. Dentro do colchete é apenas um caractere - Com
[[:space:]]reconhecemos espaços, com[[:blank:]]reconhecemos espaços em branco e tabulações, com[[:lower:]]reconhecemos minúsculas, com[[:upper:]]reconhecemos minúsculas e com[[:punct:]]+reconhecemos pontuações.
Trabalhando com datas
Vez ou outra nos deparamos com bases de dados que contêm variáveis do
tipo data. Dentro da família tidyverse, temos o pacote
lubridate, que facilita muito a manipulação deste tipo de
dado. Na PDAD 2021, temos a variável endtime, que traz o
dia em que as informações foram coletadas no domicílio. Vamos utilizar
essa variável para manipular datas.
Vamos verificar como estão preenchidas as primeiras linhas dessa
coluna, com auxílio da função head().
# Verificar as primeiras informações da coluna endtime
head(pdad_2021_domicilios$endtime)
Repare a data está no formato “YYYY/MM/DD”.
Vamos analisar agora qual a classe dessa coluna.
# Verificar a classe da coluna endtime
class(pdad_2021_domicilios$endtime)
Vemos que ela é uma coluna rotulada da classe “integer” (e
também “labelled”, devido à utilização do pacote
Hmisc). Precisamos alterar o formato dela para fazermos
cálculos de tempo. Faremos isso e calcularemos a quantidade de
domicílios coletados em cada mês.
# Carregar pacote lubridate
library(lubridate)
# Utilizar a base de domicílios
pdad_2021_domicilios %>%
# Selecionar a data da pesquisa
dplyr::select(endtime) %>%
# Transformar o campo de data (em caracter) em data (formato data)
dplyr::mutate(endtime=lubridate::ymd(endtime),
# Extrair o valor do mês
MES=lubridate::month(endtime,label=T)) %>%
# Agrupar por mÊs e contar a quantidade de casos por mÊs
dplyr::count(MES)
Assim, temos a informação de que a coleta teve início em maio e foi finalizada em dezembro Também verificamos que o mês com a maior quantidade de domicílios coletados foi outubro. Vamos verificar essas informações por Região Administrativa.
Antes, vamos criar uma variável RA com os
labels das RAs, de modo a facilitar a visualização.
# Criar uma variável com o nome das RAs na base de domicílios
pdad_2021_domicilios <- pdad_2021_domicilios %>%
dplyr::mutate(RA=factor(A01ra,
levels=1:33,
labels=c('Plano Piloto',
'Gama',
'Taguatinga',
'Brazlândia',
'Sobradinho',
'Planaltina',
'Paranoá',
'Núcleo Bandeirante',
'Ceilândia',
'Guará',
'Cruzeiro',
'Samambaia',
'Santa Maria',
'São Sebastião',
'Recanto das Emas',
'Lago Sul',
'Riacho Fundo',
'Lago Norte',
'Candangolândia',
'Águas Claras',
'Riacho Fundo II',
'Sudoeste/Octogonal',
'Varjão',
'Park Way',
'SCIA-Estrutural',
'Sobradinho II',
'Jardim Botânico',
'Itapoã',
'SIA',
'Vicente Pires',
'Fercal',
'Sol Nascente/Pôr do Sol',
'Arniqueira')))
coleta <-
# Utilizar a base de domicílios
pdad_2021_domicilios %>%
# Selecionar a data da pesquisa
dplyr::select(RA,endtime) %>%
# Transformar o campo de data (em caracter) em data (formato data)
dplyr::mutate(endtime=lubridate::ymd(endtime),
# Extrair o valor do mês
MES=lubridate::month(endtime,label=T)) %>%
# Agrupar e contar por RA e por Mês
dplyr::count(RA,MES)
# Visualizar resultado
#View(coleta)
Gravar uma tabela no formato “.csv”
Agora que geramos a tabela com as informações de coleta, vamos salvar
os resultados em um arquivo .csv. Para isso, vamos utilizar
a função write.table(), do pacote utils. Com a
função, informe o objeto que você quer utilizar para gerar o arquivo no
primeiro argumento e o nome do arquivo a ser gerado no segundo
argumento. O arquivo será salvo no seu diretório de trabalho, por
padrão. Caso você queria salvá-lo em outro local, basta informar o
caminho desejado antes do nome do arquivo (e.g. dados/,
para salvar em um subdiretório chamado dados).
Assim como as colunas possuem nomes, as linhas também podem ser
nomeadas no R. Quando não damos um nome específico para as linhas, elas
são, por padrão, nomeadas com números inteiros sequenciais, de 1 até o
número de linhas da tabela. Consulte essa informação com a função
row.names().
Como não queremos que essas informações apareçam na nossa tabela,
utilizamos o argumento row.names = F no momento de
escrevermos a tabela. Além disso, o arquivo será gerado, por padrão,
delimitado por espaços. Vamos alterar o delimitador para ponto e vírgula
;. Poderíamos escolher qualquer outro delimitador desejado.
Por fim, caso necessário, você também pode informar o encoding desejado
para salvar o arquivo, com o parâmtero fileEncoding. Se o
seu objeto tiver algum valor ausente, você pode alterar o formato que
ele será gravado com o parâmetro na. Por exemplo, para que
os valores ausentes sejam gravados sem informação, utilize
na="". Caso você queira que as colunas com string sejam
gravadas entre aspas, utilize o parâmetro quote=TRUE.
write.table(coleta,"dados/coleta.csv",
row.names = F, sep = ";",
fileEncoding = "latin1")
Vamos verificar o resultado localmente. Procure no diretório o arquivo que acabou de ser criado e abra-o. Assim, você pode compartilhar esse resultado com outros pesquisadores em um formato legível em outros softwares, como o Microsoft Excel.
Para gravar diretamente em um arquivo do tipo .xlsx,
podemos utilizar a função xlsx::write.xlsx. Vejamos um
exemplo abaixo.
# Carregar o pacote
library(xlsx)
# Salvar as informações
xlsx::write.xlsx(coleta,
file = "dados/coleta.xlsx",
sheetName = "Coleta",
row.names = F)
Atualmente, o pacote grava apenas objetos do tipo
data.frame. Lembre-se de converter o objeto do tipo
tibble para data.frame antes de salvar, caso
você esteja trabalhando com este tipo de informação.
Operações com datas
Vamos agora aprender a fazer operações com datas. Vamos calcular o intervalo existente entre a data de referência da pesquisa e a data da coleta.
# Criar um objeto com a data de referência da pesquisa
ref <- lubridate::dmy("01-07-2021")
# Armazenar o resultado em um objeto
referencias <-
# Utilizar a base de domicílios
pdad_2021_domicilios %>%
# Selecionar a data da pesquisa
dplyr::select(endtime) %>%
# Transformar o campo de data (em caracter) em data (formato data)
dplyr::mutate(endtime=lubridate::ymd(endtime),
# Calcular a diferença entre as datas, em meses
dif_data_mes=interval(ref,endtime) %/% months(1),
# Calcular a diferença entre as datas, em dias
dif_data_dia=interval(ref,endtime) %/% days(1))
Vamos aproveitar para fazer um gráfico de densidade com essa informação.
# Utilizar o objeto de referências
referencias %>%
# Criar um plot com a diferença de dias no eixo x
ggplot(aes(x=dif_data_dia)) +
# Fazer o gráfico de densidade
geom_density() +
# Adicionar uma linha vermelha vertical no ponto zero
geom_vline(aes(xintercept= 0), color="red")+
# Nomear os eixos
labs(y="Densidade",
x="Diferença de dias da pesquisa")
Assim, percebemos que houve um pico de coletas após a data de referência da pesquisa, que coincide com o mês de Outubro.
Criando mapas
Com o R, é possível fazermos mapas com relativa facilidade. Para tanto, precisaremos de informações geográficas dos mapas que queremos desenhar. Vamos fazer conexão com o banco de dados do núcleo de geografia e pegar as informações necessárias.
library(RPostgreSQL)
library(postGIStools)
library(ggrepel)
library(sf)
library(rgdal)
# Fazer a conexão no banco do NUGEO
db_geo <- DBI::dbConnect(PostgreSQL(),dbname = "nucleo_geo",
user = Sys.getenv("user_geo"),
host=Sys.getenv("host_geo"),
password = Sys.getenv("senha_geo"))
# Puxar as informações de geometria
RA <- postGIStools::get_postgis_query(db_geo, "SELECT * FROM nivel_territorial.tb_ra_proposta_seduh_2019",
geom_name = "geom")
# Transformar em objeto do tipo sf
RA <- sf::st_as_sf(RA)
# Calcular os totais populacionais
pdad_mor<- DBI::dbGetQuery(db,"select A01ra, PESO_MOR from pdad.mor2021") %>%
# Agrupar por RA
dplyr::group_by(A01ra) %>%
# Somar os fatores
dplyr::summarise(n=sum(PESO_MOR))
# Fazer o mapa
map <- RA %>%
# Fazer um join das informações populacionais
dplyr::left_join(pdad_mor,by=c("ra_num"="A01ra")) %>%
# Calcular o centro das coordenadas (para o label)
dplyr::mutate(lat=sf::st_coordinates(sf::st_centroid(geometry))[,2],
long=sf::st_coordinates(sf::st_centroid(geometry))[,1]) %>%
# Ajustar as RAs
dplyr::mutate(nome2=factor(ra_num,
levels=sort(RA$ra_num),
labels=c('Plano Piloto',
'Gama',
'Taguatinga',
'Brazlândia',
'Sobradinho',
'Planaltina',
'Paranoá',
'Núcleo Bandeirante',
'Ceilândia',
'Guará',
'Cruzeiro',
'Samambaia',
'Santa Maria',
'São Sebastião',
'Recanto das Emas',
'Lago Sul',
'Riacho Fundo',
'Lago Norte',
'Candangolândia',
'Águas Claras',
'Riacho Fundo II',
'Sudoeste/Octogonal',
'Varjão',
'Park Way',
'SCIA-Estrutural',
'Sobradinho II',
'Jardim Botânico',
'Itapoã',
'SIA',
'Vicente Pires',
'Fercal',
'Sol Nascente/Pôr do Sol',
'Arniqueira'))) %>%
# Plotar o mapa
ggplot()+
# Fazer um mapa coroplético com a população
geom_sf(aes(fill = n)) +
# Mudar a escala de cores
scale_fill_distiller(palette="Blues",
name="População",
labels= scales::unit_format(unit = "Mil", scale = 1e-3),
direction = 1) +
# Tirar o sistema cartesiano
theme(panel.grid = element_line(colour = "transparent"),
panel.background = element_blank(),
axis.text = element_blank(),
axis.ticks = element_blank(),
legend.title = element_text(size = 14),
legend.text = element_text(size = 12)) +
# Adicionar os labels
geom_label_repel(aes(long,lat,label = nome2),
size=5, fontface="bold", family="Arial",
label.padding=unit(0.10,"line")) +
# Retirar o label dos eixos
labs(x="",y="")
# Salvar o mapa criado
ggsave(map,filename = "figuras/mapa_pop.png",
bg = "transparent",
width = 30,
height = 18,
units = "cm")
Para criar mapas que não estão no banco do NUGEO, utilize os passos abaixo.
library(ggrepel)
library(sf)
# tf<- "https://www.geoportal.seduh.df.gov.br/static/shapes_download/Regi%C3%B5es%20Administrativas.zip"
# Link para o arquivo shape
tf <- "http://catalogo.codeplan.df.gov.br/geoserver/wfs?format_options=charset%3AUTF-8&typename=geonode%3Aras_pdad_2013&outputFormat=SHAPE-ZIP&version=1.0.0&service=WFS&request=GetFeature"
# Caminho para salvar o arquivo
td <- "dados/shape31.zip"
# Fazer o download do arquivo
download.file(tf, td, mode="wb")
# Descompactar o arquivo
unzip(td,exdir="dados")
# Listar os arquivos da pasta dados
list.files('dados',pattern=".shp")
# Carregar o arquivo .shp
mapa <- sf::st_read("dados/ras_pdad_2013.shp")
# Calcular o total de moradores por RA
mor <- pdad_2018_moradores %>%
dplyr::group_by(A01ra) %>%
dplyr::summarise(n=sum(FATOR_PROJ)) %>%
dplyr::mutate(A01ra=as.numeric(A01ra))
# Criar um objeto com os centros dos polígonos
pontos <- mapa %>%
sf::st_centroid() %>%
dplyr::mutate(lat=sf::st_coordinates(.)[,1],
long=sf::st_coordinates(.)[,2]) %>%
dplyr::select(ra_num,lat,long) %>%
sf::st_set_geometry(NULL)
# Fazer o mapa
map <- mapa %>%
dplyr::left_join(mor,by=c("ra_num"="A01ra")) %>%
dplyr::left_join(pontos) %>%
dplyr::mutate(nome2=factor(ra_num,
levels=sort(mapa$ra_num),
labels=c('Plano Piloto',
'Gama',
'Taguatinga',
'Brazlândia',
'Sobradinho',
'Planaltina',
'Paranoá',
'Núcleo Bandeirante',
'Ceilândia',
'Guará',
'Cruzeiro',
'Samambaia',
'Santa Maria',
'São Sebastião',
'Recanto das Emas',
'Lago Sul',
'Riacho Fundo',
'Lago Norte',
'Candangolândia',
'Águas Claras',
'Riacho Fundo II',
'Sudoeste/Octogonal',
'Varjão',
'Park Way',
'SCIA-Estrutural',
'Sobradinho II',
'Jardim Botânico',
'Itapoã',
'SIA',
'Vicente Pires',
'Fercal'))) %>%
ggplot()+
geom_sf(aes(fill = n)) +
# Mudar a escala de cores
scale_fill_distiller(palette="Blues",
name="População",
labels= scales::unit_format(unit = "Mil", scale = 1e-3),
direction = 1) +
# Retirar o sistema cartesiano
theme(panel.grid = element_line(colour = "transparent"),
panel.background = element_blank(),
axis.text = element_blank(),
axis.ticks = element_blank(),
legend.title = element_text(size = 14),
legend.text = element_text(size = 12)) +
geom_label_repel(aes(lat, long, label = nome2),size=3, fontface="bold", family="Arial",
label.padding=unit(0.10,"line")) +
labs(x="",y="")
# ggsave(map,filename = "figuras/mapa_pop.png",
# bg = "transparent",
# width = 30,
# height = 18,
# units = "cm")
Atualização de valores monetários
Recorrentemente, precisamos atualizar valores monetários. Para isso,
vamos utilizar o pacote sidrar para coletar os dados de
inflação do Sistema IBGE
de Recuperação Automática - SIDRA. Para fazer isso, vamos montar a
tabela desejada no Sidra para os dados do IPCA, disponível nesse link. Após
selecionar os valores, clique no ícone para compartilhar a tabela e
copie o link da api, a partir do valor /t.
Após baixar os dados, vamos manipular os dados para criar inflatores para a a atualização dos valores monetários.
# Carregar pacote sidrar
library(sidrar)
# Carregar a inflação mensal do DF em um objeto
inflacao <- sidrar::get_sidra(api = '/t/7060/n6/5300108/v/63/p/all/c315/7169/d/v63%202')
# Guardar os inflatores em um objeto
inflacao_df <- inflacao %>%
# Filtrar para o mês de início da PDAD
dplyr::filter(`Mês (Código)`>=202105&`Mês (Código)`<=202112) %>%
# Organizar dados em ordem cronológica decrescente
dplyr::arrange(desc(`Mês (Código)`)) %>%
# Calular o inflator, acumulando os índices mensais
dplyr::mutate(inflator=cumprod(Valor/100+1)) %>%
# Selecionar a referência e o inflator calculado
dplyr::select(`Mês (Código)`,inflator) %>%
# Criar uma variável para o mes e para o ano do inflator,
# necessária para cruzar com as informações da PDAD,
# mantendo a variável de inflator no objeto
dplyr::transmute(mes=as.numeric(substr(`Mês (Código)`,5,6)),
ano=as.numeric(substr(`Mês (Código)`,1,4)),
inflator=inflator)
Agora, temos um inflator para atualizar os valores monetários da PDAD 2021 para o de dezembro de 2021. Iremos utilizar essa informação mais tarde, para construirmos a renda em valores atualizados.
Vamos aproveitar a base do IPCA para aprendermos uma manipulação
muito importante de bases de dados. Para fazer gráficos, o formato
long é muito útil, enquanto o formato wide
apresenta a tabela no formato de colunas. Vamos treinar estes conceitos
carregando a inflação, de 2020 até a data mais atual, do DF, do Brasil,
de São Paulo e do Rio de Janeiro.
# Carregar informações da inflação para as localidades desejadas
inflacao <- sidrar::get_sidra(api = '/t/7060/n1/all/n7/3301,3501/n6/5300108/v/63/p/all/c315/7169/d/v63%202')
# Gravar a inflação transformada em um objeto
inflacao_wide <- inflacao %>%
# Selecionar as variáveis de interesse
dplyr::select(`Mês (Código)`,`Brasil, Região Metropolitana e Município`,Valor) %>%
# Renomear as variáveis selecionadas anteriormente
dplyr::rename_all(list(~c("referencia","Local","Valor"))) %>%
# Mudar dados para o formato wide.
tidyr::spread(Local,Valor)
Esse formato, em que temos cada coluna um caso, é o chamado formato
wide, cuja função spread “espalha” os dados no
banco. Vamos, agora, voltar os dados para o formato long,
em que cada linha é um caso.
# Criar um objeto com os dados no formato long
inflacao_long <- inflacao_wide %>%
# Passar as colunas de cada localidade para o formato long, criando
# as variáveis "Local" e "Valor" para receberem os dados de inflação
tidyr::gather("Local","Valor",-1)
A função gather() “junta” os valores para colocar cada
caso em uma linha. Vamos agora fazer um gráfico de linhas com essas
informações, plotando a inflação mensal de 2019 para essas
localidades.
inflacao_long %>%
# Ajustar a variável de referência para o formato data,
# utilizando as informações de mês e ano, acrescentando
# o dia primeiro, apenas como referência
dplyr::mutate(referencia=lubridate::dmy(paste("01",
stringr::str_sub(referencia,5,6),
stringr::str_sub(referencia,1,4)))) %>%
# Filtrar para o último ano (de maio a maio)
dplyr::filter(referencia>=lubridate::dmy("01-12-2018")) %>%
# Plotar o gráfico, com a referência no eixo x,
# a inflação no eixo y e a localidade colorindo as linhas
ggplot(aes(x=referencia,y=Valor,colour=Local))+
# Construir as linhas, variando o tipo de linha conforme o local
geom_line(aes(linetype = Local))+
# Adicionar os pontos
geom_point()+
# Ajustar os rótulos dos meses do eixo x, apresentando-os
# a cada dois meses
scale_x_date(date_breaks = "2 month")+
# Ajustar a legenda das cores, atribuindo cores específicas para as linhas
scale_colour_manual(labels=c("Brasil","Distrito Federal",
"Rio de Janeiro","São Paulo"),
values=c("cadetblue4","coral4",
"darkgoldenrod","chartreuse4"))+
# Ajustar a legenda das linhas, combinando com a legenda anterior
scale_linetype_manual(labels=c("Brasil","Distrito Federal",
"Rio de Janeiro","São Paulo"),
values=c(1:4))+
# Ajustar o rótulo dos eixos
labs(y="Inflação mensal",
x="Período")+
# Alterar a posição da legenda
theme(legend.position = "bottom",
axis.text.x = element_text(angle=90))
Criação da variável “renda domiciliar per capita”
Uma variável bastante utilizada nas análises é a renda domiciliar. Vamos construir essa variável, utilizando a seguinte metodologia: toda vez que um morador se recusar ou não souber informar algum rendimento, ele será desconsiderado do cálculo e a renda de todo o domicílio ficará com valor ausente. Além disso, vamos retirar do cômputo os empregados domésticos moradores do domicílio e seus parentes, além dos pensionistas.
# Armazenar informação em um objeto
renda_domiciliar <- pdad_2021_moradores %>%
# Vamos mudar para ausente os valores das variáveis I04_1_1,I04_2_1,I20,I21,I22_1,I22_2
# com códigos 77777 ou 88888.
# Vamos também mudar para 0 quando os valores que não se aplicarem
# ou não forem observados rendimentos
dplyr::mutate_at(vars(I04_1_1,I04_2_1,I20,I21,I22_1,I22_2), # Variáveis a serem alteradas
# Função a ser aplicada
list(M=~case_when(. %in% c(77777,88888)~NA_real_,
. %in% c(66666,99999)~0,
TRUE~as.numeric(.)))) %>%
# Selecionar apenas as variáveis de interesse
dplyr::select(A01nficha,E05,I04_1_1,I04_2_1,I20,I21,I22_1,I22_2,
I04_1_1_M:I22_2_M) %>%
# Somar as variáveis modificadas para construir a renda individual
dplyr::mutate(renda_individual=rowSums(.[,c("I04_1_1_M","I04_2_1_M",
"I20_M","I21_M",
"I22_1_M","I22_2_M")],na.rm = F)) %>%
# Desconsiderar os empregados domesticos moradores e seus parentes
dplyr::filter(!E05 %in% c(17,18,19)) %>%
# Agrupar por domicílio
dplyr::group_by(A01nficha) %>%
# Somar os valores por domicílios
dplyr::summarise(renda_dom=sum(renda_individual, na.rm = F),
# Construir o número de pessoas no domicílio, por esse critério de rendiment0
pessoas=n(),
# Calcular a renda domiciliar per capita
renda_dom_pc=renda_dom/pessoas)
No código acima, o aspecto mais importante é a opção
na.rm=F, na qual informamos que os valores ausentes
NÃO devem ser desconsiderados no cálculo. Verifique o
valor amostral médio para a renda criada com a função mean,
agora considerando apenas os casos válidos.
mean(renda_domiciliar$renda_dom, na.rm=T)
O valor amostral é de R$ 8.636 (ainda não considera a expansão, que será vista no próxima seção).
Manipulação da PDAD 2021 com expansão dos resultados
Conforme dito anteriormente, a PDAD 2021 é uma pesquisa amostral, desenhada para fornecer a caracterização socioeconômica e demográfica das 33 Regiões Administrativas, sendo ainda mais específicas para algumas delas (como Planaltina, Jardim Botânico, São Sebastião, SCIA, Vicente Pires e Taguatinga), totalizando 42 localidades. Assim, são passos necessários para essa tarefa: definir os limites territoriais; definir a área de interesse dentro desses territórios; ter uma listagem dos domicílios existentes nessas localidades (obtida, por exemplo, a partir dos cadastros da CEB, CAESB, listagens próprias ou CNEFE).
A delimitação das Regiões Administrativas considerada pela PDAD 2021 pode ser observada na imagem abaixo:
E a área de cobertura considera foi a seguinte:
A área acima corresponde às áreas urbanas e às áreas rurais com características urbanas, abrangendo a moradia de mais de 97% da população do DF.
Dentro da área de cobertura, foram selecionados mais de 35 mil domicílios. A imagem abaixo ilustra o conceito de amostragem aplicado à PDAD (imagem extraída do site mathcaptain.com).
Sendo assim, as estimativas fornecidas pela pesquisa estão sujeitas a um erro amostral, o que torna necessária a consideração de seu desenho amostral para seu cálculo. É com essas informações que construímos intervalos de confiança para as estimativas. De maneira simples, queremos fornecer, com algum grau de confiança, qual o verdadeiro valor populacional dada a amostra coletada.
A população considerada para a PDAD 2021 parte das estimativas populacionais para o DF, publicadas pelo Instituto Brasileiro de Geografia e Estatística (IBGE), em setembro de 2018. Essa população foi alocada nas RAs pela equipe da Dipos/Codeplan e ajustada para a área de alcance da PDAD 2021 pela Dieps/Gereps. A diferença entre as projeções populacionais, disponíveis neste link, e os resultados da PDAD se devem às diferenças entre a área de alcance da PDAD, a população de interesse e as delimitações consideradas para as projeções.3
Neste curso iremos aprender a declarar o plano amostral da PDAD 2021
no R, utilizando o pacote survey. Vamos utilizar também o
pacote srvyr, que roda o pacote survey sob a
lógica do pacote dplyr, para calcular as estimativas.
Declarar o plano amostral da PDAD 2021
Antes de declararmos o plano amostral da PDAD 2021, vamos trabalhar com a união das bases de moradores e domicílios. Muitas vezes precisamos cruzar as características de moradia com as pessoais. Por exemplo, se quisermos saber os anos de estudo médio dos responsáveis por domicílios sem esgotamento sanitário adequado, precisamos utilizar as duas bases de dados simultaneamente.
Para realizar este trabalho, vamos utilizar a função
left_join() do pacote dplyr. A junção de bases
pode ser feita sob várias perspectivas. Veja a figura abaixo (extraída
desse
site).
Conforme apresentado no diagrama de Venn, temos junções à
esquerda, à direita, intersecções e complementares de conjuntos. De
maneira simples, a nossa intenção é relacionar conjuntos baseado em uma
característica comum entre eles – a chave (ou chaves) de ligação. No
caso da PDAD, o código que identifica cada domicílio é dado pela coluna
A01nficha. Essa é uma chave única na base de domicílios,
sendo repetida conforme o número de moradores na base de pessoas.
# Consultar o índice das colunas de mesmo nome entre as bases
x <-
which((names(pdad_2021_domicilios) %in% names(pdad_2021_moradores)))
# Verificar quais são as colunas
names(pdad_2021_domicilios)[x]
# Fazer o join das bases
pdad <- pdad_2021_moradores %>%
# Entrar com a função para left join
dplyr::left_join(
# Informar a base que iremos unir, filtrando para colunas repetidas
pdad_2021_domicilios %>%
dplyr::select(-c(A01ra,A01setor)))
Consulte o número de linhas e colunas da base criada. Repare que o
número de linhas permaneceu o mesmo da base posicionada à esquerda,
i.e., base de moradores. Como não havia nenhuma repetição na base de
domicílios, o resultado já era esperado. Experimente rodar o código
novamente, agora substituindo a função left_join por
right_join e perceba que o resultado é exatamente o mesmo.
Esse é um cuidado que se deve ter quando o desejo é ligar duas bases.
Caso as chaves de ligação tivessem múltiplos casos, a função iria
realizar as combinações pertinentes, o que, geralmente, causa um grande
aumento no tamanho da base. Dependendo da situação, tal operação pode
travar sua sessão no RStudio server (além de travar o servidor como um
todo) ou, em um banco de dados, igualmente travá-lo.
Note que a função retornou um aviso no console, com a seguinte
mensagem: Joining, by = "A01nFicha". Por padrão, a função
de left_join() usa como argumento as colunas de mesmo nome.
Caso as chaves de ligação tenham nomes distintos em cada base, podemos
informar na função da seguinte maneira.
# Fazer o join das bases
pdad <- pdad_2021_moradores %>%
# Entrar com a função para left join
dplyr::left_join(
# Informar a base que iremos unir, filtrando para colunas repetidas
pdad_2021_domicilios %>%
# Filtrar as colunas repetidas
dplyr::select(-c(A01ra,A01setor)),
by=c("A01nficha"="A01nficha"))
O resultado é exatamente o mesmo, mas o aviso de junção é inibido,
uma vez que informamos a condição desejada. Se houvesse mais de uma
condição, basta adicioná-las à direita, separando-as por vírgulas
(e.g. by=c("A01nficha"="A01nficha","A01ra"="A01ra")).
Atenção: para que o join seja realizado, o tipo da variável
deve ser o mesmo. Por exemplo, se a chave de identificação for do tipo
integer em uma base e do tipo numeric na
outra, o join não será realizado. O mesmo vale para chaves do tipo
character e integer ou
numeric.
Agora que aprendemos a fazer a junção das bases de dados, vamos trazer as informações de inflação e renda domiciliar, construídas anteriormente e aproveitar para atualizar os valores monetários.
pdad <- pdad %>%
dplyr::mutate(endtime=lubridate::ymd(endtime),
# Extrair o valor do mês
mes=lubridate::month(endtime,label=F),
# Extratir o valor do ano
ano=lubridate::year(endtime)) %>%
# Trazer as informações de renda
dplyr::left_join(renda_domiciliar) %>%
# Trazer as infomações de inflação
dplyr::left_join(inflacao_df) %>%
# Criar as variáveis monetárias em termos reais
dplyr::mutate(renda_dom_real=renda_dom*inflator,
renda_dom_pc_real=renda_dom_pc*inflator)
Vamos agora declarar o plano amostral da PDAD 2021. Para isso, vamos precisar de algumas informações básicas:
- O inverso da fração amostral, conforme o sorteio em um determinado
estrato:
PESO_PRE; - O estrato utilizado para pós-estratificação:
POS_ESTRATO; - A população total de cada pós-estrato:
POP_AJUSTADA_PROJ; - O código único de identificação da unidade de amostragem:
A01nficha.
A PDAD 2021 foi pós-estratificada de modo a refletir os totais populacionais projetados para os recortes territoriais considerados na pesquisa, por sexo e faixas etárias (quinquenais até 74 anos e 75 ou mais).
O primeiro passo é criarmos o desenho inicial da pesquisa.
# Carregar os pacotes necessários
library(survey)
library(srvyr)
# Declarar o desenho incial
sample.pdad <-
survey::svydesign(id = ~A01nficha, # Identificador único da unidade amostrada
strata = ~A01setor, # Identificação do estrato
weights = ~PESO_PRE, # Inverso da fração amostral
nest=TRUE, # Parâmetro de tratamento para os IDs dos estratos
data=pdad # Declarar a base a ser utilizada
)
# Criar um objeto para pós estrato
post.pop <- pdad %>%
dplyr::group_by(POS_ESTRATO) %>% # Agrupar por pós-estrato
dplyr::summarise(Freq=max(POP_AJUSTADA_PROJ)) # Capturar o total da população
# Declarar o objeto de pós-estrato
# Estamos dizendo nesse passo qual é a população alvo para cada
# pós-estrato considerado
sample.pdad <- survey::postStratify(sample.pdad,~POS_ESTRATO,post.pop)
# Criar objeto para calcular os erros por bootstrap (Rao and Wu’s(n − 1) bootstrap)
# J. N. K. Rao and C. F. J. Wu - Journal of the American Statistical Association
# Vol. 83, No. 401 (Mar., 1988), pp. 231-241
amostra <- survey::as.svrepdesign(sample.pdad, type = "subbootstrap")
# Ajustar para tratamento de estratos com apenas uma UPA (adjust=centered)
options(survey.lonely.psu = "adjust")
# Ajustar objeto de amostra, para uso com o pacote srvyr (como tibble)
amostra <- srvyr::as_survey(amostra)
Pronto! Já temos o objeto com as informações da PDAD que iremos
trabalhar no restante desta oficina. Vamos testar estimando o total de
pessoas com 18 anos ou mais de idade no Distrito Federal. O nosso objeto
base agora será o amostra, com o qual utilizaremos o pacote
srvyr. Com a parâmetro vartype='ci', obtemos
as estimativas dos intervalos de confiança.
# População DF com mais de 18 anos
pop18 <-
amostra %>%
# Filtrar somente a população com 18 anos ou mais de idade
srvyr::filter(idade>=18) %>%
# Criar uma variável auxiliar para contagem
srvyr::mutate(count=1) %>%
# Calcular o total da população, com seu intervalo de confiança
srvyr::summarise(n=survey_total(count, vartype = "ci"))
Verificamos que existiam entre 2.269.271 e 2.304.110 pessoas com mais
de 18 anos no DF em 2018, sendo o valor pontual de 2.286.690 pessoas.
Caso o desejo fosse estimar esse mesmo total por sexo, isso poderia ser
feito com a função group_by(). Vamos aproveitar e calcular
o percentual de cada grupo no total.
amostra %>%
# Filtrar somente a população com 18 anos ou mais de idade, retirando os códigos de não informação
srvyr::filter(idade>=18) %>%
# Ajustar a variável de sexo
srvyr::mutate(E04=factor(case_when(E04==1~"Masculino",
TRUE~"Feminino"))) %>%
# Informar o grupo que queremos a informação
srvyr::group_by(E04) %>%
# Calcular o total e o Percentual da população, com seu intervalo de confiança
srvyr::summarise(n=survey_total(vartype = "ci"),
# Calcular o percentual da população
pct=survey_mean(vartype = "ci"))
Note que, desta vez, não foi preciso criar um contador. Quando utilizamos a função de agrupamento de um fator, seguida da função de sumarização, os totais e percentuais são calculados sem a necessidade de informar o argumento.
Vamos calcular a renda domiciliar nominal e real para Distrito
Federal, agora considerando a expansão do resultado. Mas, antes,
precisamos declarar o plano amostra de domicílios. Nesta edição,
diferentemente da edição de 2018, existe uma expansão exclusiva para os
domicílios. Para tanto, utilizaremos somente uma informação por
domicílio, utilizando como filtro o responsável pelo domicílio. Cada
domicílio tem apenas um responsável, que, no caso da PDAD 2021, nada
mais é que a pessoa com a qual se constrói as relações de parentesco e
convivência dentro do domicílio (variável E05).
# Fazer o desenho de domicílios
amostra_dom <- survey::svydesign(id = ~A01nficha, # Identificador do domicílio
strata = ~A01setor, # Identificação do estrato
weights = ~PESO_PRE, # Inverso da fração amostral
nest=TRUE, #Parâmetro de tratamento para os IDs dos estratos
data=pdad %>%
dplyr::filter(E05==1) # Base de dados, pegando apenas uma informação por domíclio.
)
#Criar um objeto para pós estrato
post.pop <- pdad %>%
dplyr::filter(E05==1) %>% # Filtrar somente para uma obervação
dplyr::group_by(A01setor) %>% # Agruprar por estrato
dplyr::summarise(Freq=first(TOT_DOM)) %>% # Pegar uma única informação do total de domicílios no estrato
dplyr::ungroup() # Desgrupar a base
# Declarar o objeto de pós-estrato
amostra_dom <- survey::postStratify(amostra_dom,~A01setor,post.pop)
# Criar objeto para calcular os erros por bootstrap (Rao and Wu’s(n − 1) bootstrap)
amostra_dom <- survey::as.svrepdesign(amostra_dom, type = "subbootstrap")
# Criar o objeto amostra ddo tipo tibble
amostra_dom <- srvyr::as_survey(amostra_dom)
Feito isso, vamos calcular os resultados.
amostra_dom %>%
# Retirar os valores zerados
srvyr::filter(renda_dom!=0) %>%
# Calcular a renda domiciliar real média do DF
srvyr::summarise(renda_dom_real=survey_mean(renda_dom_real,na.rm=T,vartype="ci"),
renda_dom=survey_mean(renda_dom,na.rm=T,vartype="ci"))
Por essa metodologia, a renda domiciliar nominal estimada foi de R$ 7.121, com intervalo de R$ 6.994 e R$ 7.249. Em termos reais (Dezembro/2021), o valor estimado é de R$ 7.353, com intervalo de R$ 7.221 a R$ 7.486.
Outras manipulações recorrentes
Vamos agora elencar algumas variáveis para construirmos um pequeno relatório. Vamos construir gráficos e tabelas para: população, por faixa etária e sexo; distribuição do rendimento do trabalho (nominal), por faixas; e tipo de esgotamento sanitário do domicílio. E montar um mini relatório com essas informações.
As informações serão criadas com a função mutate(), as
faixas de idade e de rendimento serão criadas com auxílio da função
cut(). Ao final, utilizaremos a função
mutate_if() para transformar as variáveis do tipo
caracter em fator e, por fim, utilizaremos a função
select() para selecionar as variáveis desejadas. Para criar
as faixas de rendimento, consideraremos o número de salários mínimos,
vigente em 2021.
# Criar um objeto com o salário mínimo em 2021
sm <- 1100
# Criar um objeto com as variáveis de interesse
vars_relatorio <- amostra %>%
# Criar variável de sexo
srvyr::mutate(sexo=case_when(E04==1~"Masculino",
E04==2~"Feminino"),
# Criar variável de faixas de idade
idade_faixas=cut(idade,
breaks = c(-Inf,seq(4,74,by=5),Inf),
labels = c("0 a 4 anos","5 a 9 anos",
"10 a 14 anos","15 a 19 anos",
"20 a 24 anos","25 a 29 anos",
"30 a 34 anos","35 a 39 anos",
"40 a 44 anos","45 a 49 anos",
"50 a 54 anos","55 a 59 anos",
"60 a 64 anos","65 a 69 anos",
"70 a 74 anos","Mais de 75 anos"),
ordered_result = T),
# Criar variável de faixas de salário do trabalho principal
faixas_salario=cut(case_when(I20 %in% c(77777,88888,99999)~NA_real_,
TRUE~as.numeric(I20)),
breaks = c(-Inf,sm,2*sm,4*sm,10*sm,20*sm,Inf),
labels = c("Até 1 salário","Mais de 1 até 2 salários",
"Mais de 2 até 4 salários",
"Mais de 4 até 10 salários",
"Mais de 10 até 20 salários",
"Mais de 20 salários")),
# Criar variável para as RAs
RA=factor(A01ra,
levels=1:33,
labels=c('Plano Piloto',
'Gama',
'Taguatinga',
'Brazlândia',
'Sobradinho',
'Planaltina',
'Paranoá',
'Núcleo Bandeirante',
'Ceilândia',
'Guará',
'Cruzeiro',
'Samambaia',
'Santa Maria',
'São Sebastião',
'Recanto das Emas',
'Lago Sul',
'Riacho Fundo',
'Lago Norte',
'Candangolândia',
'Águas Claras',
'Riacho Fundo II',
'Sudoeste/Octogonal',
'Varjão',
'Park Way',
'SCIA-Estrutural',
'Sobradinho II',
'Jardim Botânico',
'Itapoã',
'SIA',
'Vicente Pires',
'Fercal',
'Sol Nascente/Pôr do Sol',
'Arniqueira'))) %>%
# Transformar em fator variáveis do tipo character
srvyr::mutate_if(is.character,list(~factor(.))) %>%
# Selecionar as variáveis criadas e algumas variáveis auxiliares
srvyr::select(RA,E05,idade,I05,sexo,idade_faixas,faixas_salario)
Criado esse objeto auxiliar com as variáveis desejadas, vamos
calcular os totais para cada um dos grupos, juntamente com seus
intervalos de confiança. Para isso, vamos utilizar as funções
group_by(), para conseguirmos agrupar os dados pelas
categorias desejadas e a função summarise(), que calculará
os totais ou proporções para cada grupo. Os intervalos de confiança são
calculados com a função vartype="ci".
# Construir um objeto com as idades calculadas, por faixas de idade e sexo
# para montarmos a pirâmide etária
piramide <- vars_relatorio %>%
# Agrupar por faixas de idade e sexo
srvyr::group_by(idade_faixas,sexo) %>%
# Calcular os totais
srvyr::summarise(n=survey_total(na.rm = T, vartype = "ci"))
# Fazer o gráfico com a pirâmide
piramide_grafico <- piramide %>%
# Construir um plot com as idades no eixo x, as quantidades no eixo y,
# preenchimento com a variável sexo, e os intervalos de confiança
# inferiores e superiores
ggplot(aes(x=idade_faixas,y=n, fill=sexo, ymin=n_low,ymax=n_upp))+
# Fazer o gráfico de barras para o sexo Feminino
geom_bar(data = dplyr::filter(piramide, sexo == "Feminino"),
stat = "identity") +
# Fazer o gráfico de barras para o sexo Masculino
geom_bar(data = dplyr::filter(piramide, sexo == "Masculino"),
stat = "identity",
position = "identity",
# Negativar os valores para espelhar no eixo
mapping = aes(y = -n))+
# Plotar os erros para o sexo Masculino, negativando os valores para espelhar o eixo
geom_errorbar(data = dplyr::filter(piramide, sexo == "Masculino"),
mapping = aes(ymin = -n_low,ymax=-n_upp),
width=0,
color="black")+
# Plotar os erros para o sexo Feminino
geom_errorbar(data = dplyr::filter(piramide, sexo == "Feminino"),
width=0,
color="black")+
# Inverter os eixos, fazendo com que o gráfico de colunas verticais fique
# horizontal
coord_flip() +
# Ajustar as configurações de escala
scale_y_continuous(labels = function(x) format(abs(x),
big.mark = ".",
scientific = FALSE,
decimal.mark=",")) +
# Suprimir os nomes dos eixos
labs(x="",y="") +
# Suprimir o nome da legenda
scale_fill_discrete(name = "")
# Plotar gráfico
piramide_grafico
Para montar a pirâmide, usamos duas vezes a função
geom_bar(), uma para desenhar a distribuição etária
feminina e outra a masculina. Como o formato desejado é a pirâmide,
escolhemos uma das categorias e negativamos seus valores, para que ela
seja apresentada na direção oposta da abscissa. O mesmo procedimento
deve ser adotado para as informações dos erros amostrais, desenhados com
a função geom_errorbar(). Para que as informações sejam
apresentadas em barras horizontais, ao invés de verticais, usamos a
função coord_flip(), que inverte as coordenadas do gráfico.
Por fim, realizamos alguns ajustes de apresentação das informações,
retirando os nomes dos eixos com a função labs(), retirando
o nome da legenda com a função scale_fill_discrete() e
alterando a formatação numérica dos labels com a função
scale_y_continuos(). Note que, para isso, criamos uma
função com uma série de argumentos de formação: valor absoluto
abs(), alteramos a forma de exibição do separador decimal e
acrescentamos um separador de milhar por ponto.
Para construir o gráfico com os salários, os passos são análogos aos
realizados para construção do gráfico anterior. A única diferença é que
agora utilizamos a função theme() para retirar a legenda da
apresentação dos dados.
# Construir um objeto com as informações de salário
salario <- vars_relatorio %>%
# Agrupar por faixas de salário
srvyr::group_by(faixas_salario) %>%
# Calcular os totais para cada grupo de salário
srvyr::summarise(n=survey_total(na.rm=T,vartype = "ci")) %>%
# Retirar NA
na.omit
# Construir um objeto com o gráfico
salario_grafico <- salario %>%
# Plotar os eixos x e y
ggplot(aes(x=faixas_salario, y=n))+
# Construir o gráfico de barras
geom_bar(stat = "identity") +
# Construir as barras de erro
geom_errorbar(aes(ymin=n_low,ymax=n_upp,size=4, width=0), color="darkred")+
# Inverter os eixos
coord_flip()+
# Suprimir o nome dos eixos
labs(x="",y="")+
# Retirar o título da legenda
theme(legend.position="none")+
# Ajustar as formatações de escala
scale_y_continuous(labels = function(x) format(abs(x),
big.mark = ".",
scientific = FALSE,
decimal.mark=","))
# Plotar gráfico
salario_grafico
Caso o desejo fosse saber a situação de salários por RA, poderíamos
fazer isso facilmente com a função facet_wrap(). Vamos ver
como funciona, agora calculando o percentual de pessoas em cada faixa de
rendimento, para as 33 RAs.
# Carregar o pacote Scales
library(scales)
# Construir o objeto com os valores
salario2 <- vars_relatorio %>%
# Filtrar somente para casos válidos
srvyr::filter(is.na(faixas_salario)==FALSE) %>%
# Agrupar por RA e faixas de salário
srvyr::group_by(RA,faixas_salario) %>%
# Calcular as proporções por faixa de salário
srvyr::summarise(n=survey_mean(na.rm=T,vartype = "ci")) %>%
# Retirar NA
na.omit
# Construir o gráfico
salario2 %>%
# Plotar os eixos x e y
ggplot(aes(x=faixas_salario, y=n))+
# Construir o gráfico de barras
geom_bar(stat = "identity") +
# Construir o gráfico com os erros
geom_errorbar(aes(ymin=n_low,ymax=n_upp, group=RA),size=1,width=0, color="darkred")+
# Inverter os eixos
coord_flip()+
# Suprimir o nome dos eixos
labs(x="",y="")+
# Suprimir o nome da legenda
theme(legend.position="none")+
# Ajustar as formatações de escala
scale_y_continuous(labels = scales::percent)+
# Plotar o gráfico para cada uma das RAs, divididas em 4 colunas
facet_wrap(.~RA, ncol=4)
Para o último gráfico, como estamos realizando uma estatística para o
domicílio, precisamos filtrar para selecionarmos apenas a informação do
chefe (cujo peso é utilizado para expandir os resultados domiciliares).
Fazemos isso com auxílio da função filter(). Como maneira
de facilitar a leitura dos dados, adicionamos os valores exatos de cada
coluna com a função geom_text().
# Construir o objeto com o esgotamento sanitário
esgotamento <- amostra_dom %>%
srvyr::mutate(# Criar variável de esgotamento sanitário
esgotamento_caesb=factor(case_when(B14_1==1~"Com Rede Geral (Caesb)",
B14_1==2~"Sem Rede Geral (Caesb)"))) %>%
# Agrupar por situação de esgotamento sanitário
srvyr::group_by(esgotamento_caesb) %>%
# Calcular a proporção de cada grupo
srvyr::summarise(n=survey_mean(na.rm = T,vartype = "ci"))
# Construir o objeto com o gráfico
esgotamento_grafico <- esgotamento %>%
# filtrar para valores válidos
srvyr::filter(is.na(esgotamento_caesb)==FALSE) %>%
# Plotar os eixos x e y, reordenando os fatores, do maior para o menor resultado
ggplot(aes(x=fct_reorder(esgotamento_caesb,-n),y=n,ymin=n_low,ymax=n_upp))+
# Construir o gráfico de barras
geom_bar(stat = "identity")+
# Construir os erros
geom_errorbar(size=4, width=0,
color="black")+
# Ajustar os nomes dos eixos
labs(x="",y="% Domicílios")+
# Retirar o nome da legenda
theme(legend.position="none")+
# Ajustar a formatação dos rótulos
scale_y_continuous(labels = scales::percent)+
# Inserir informações dos resultados no gráfico
geom_text(aes(label = paste0(round(100*n,0),"%")),
size=4, fontface = "bold",
vjust = -0.25,hjust=1.25)
# Plotar grafico
esgotamento_grafico
Vamos ver como fazer um gráfico de setores, com as mesmas informações
anteriores. Note que, para fazer esse tipo de gráfico, perderemos as
informações dos intervalos de confiança. Para que o gráfico fique mais
elegante, criamos um tema retirando todos os elementos básicos,
atribuindo-o a um objeto chamado tema_branco. Para esse
tipo de gráfico, precisamos da função coord_polar(), para
colocar o gráfico em coordenada polar. Com isso, o posicionamento dos
rótulos ficam um pouco mais complexos, sendo necessário criar uma
variável com a posição do label.
# Carregar o pacote ggrepel
library(ggrepel)
# Construir o objeto com as informações de esgotamento sanitário
esgotamento2 <- amostra_dom %>%
srvyr::mutate(# Criar variável de esgotamento sanitário
esgotamento_caesb=factor(case_when(B14_1==1~"Com Rede Geral (Caesb)",
B14_1==2~"Sem Rede Geral (Caesb)"))) %>%
# Filtar para o responsável
srvyr::filter(is.na(esgotamento_caesb)==FALSE) %>%
# Agrupar por tipo de esgotamento
srvyr::group_by(esgotamento_caesb) %>%
# Calcular as proporções
srvyr::summarise(n=survey_mean(na.rm = T,vartype = "ci")) %>%
# Deixar as informações em ordem decrescente
dplyr::arrange(-n) %>%
# Construir uma variável auxiliar, com a posição do label
dplyr::mutate(pos=cumsum(n)-n/8)
# Criar o tema branco, eliminando todos os elementos gráficos padrões
tema_branco <- theme_minimal()+
theme(
# Retirar título do eixo x
axis.title.x = element_blank(),
# Retirar título do eixo y
axis.title.y = element_blank(),
# Retirar as bordas no painel
panel.border = element_blank(),
# Retirar elementos textuais do eixo y
axis.text.y = element_blank(),
# Retirar demais elementos textuais dos eixos
axis.text = element_blank(),
# Retirar as linhas de grade
panel.grid=element_blank(),
# Retirar os ticks
axis.ticks = element_blank())
# Construir o gráfico de pizza
esgotamento2 %>%
# Plotar o gráfico, com as quantidades no eixo y, o preenchimento com as categorias,
# reordenando as quantudades, e o valor 1 para travar o eixo x
ggplot(aes(x=1,y=n,fill=fct_reorder(esgotamento_caesb,n)))+
# Construir as "barras"
geom_bar(stat="identity")+
# Transformar em coordenada polar o eixo y, com início em 0
coord_polar("y", start=0)+
# Retirar os nomes dos eixos
labs(x="",y="") +
# Adicionar o tema branco
tema_branco+
# Retirar o nome da legenda
scale_fill_discrete(name="")+
# Adicionar o label com os valores, usando a função repel para evitar
# sobreposições
geom_text_repel(aes(label = percent(n), y=pos), size=5, color="white",
fontface="bold")
Alternativamente ao gráfico de setores, podemos fazer um gráfico de coluna agrupada, que fornece o mesmo tipo de informação para este caso.
# Construir o objeto com as informações de esgotamento sanitário
amostra_dom %>%
srvyr::mutate(# Criar variável de esgotamento sanitário
esgotamento_caesb=factor(case_when(B14_1==1~"Com Rede Geral (Caesb)",
B14_1==2~"Sem Rede Geral (Caesb)"))) %>%
# Filtar para o responsável
srvyr::filter(is.na(esgotamento_caesb)==FALSE) %>%
# Agrupar por tipo de esgotamento
srvyr::group_by(esgotamento_caesb) %>%
# Calcular as proporções
srvyr::summarise(n=survey_mean(na.rm = T,vartype = "ci")) %>%
# Gerar uma área de plotage,
ggplot()+
# Gerar a geometria da barra
geom_bar(aes(x=1,y=n,fill=esgotamento_caesb),stat = "identity",alpha=0.5) +
# Adicionar os percentuais ao gráfico, na forma de texto
geom_text(aes(x=1, label = paste0(format(abs(round(n*100)),
big.mark = ".",
scientific = FALSE,
decimal.mark=","),"%"),
y= n,
group = esgotamento_caesb),
size=4,
fontface = "bold",
color = "black",
position = position_stack(vjust = .5)) +
# Retirar o nome da legenda
scale_fill_discrete(name="")+
# Ajustar o label da escala y
scale_y_continuous(labels = scales::percent)+
# Retirar o rótulo dos eixos
labs(x="",y="")+
# Retirar as informações do eixo x
theme(axis.line.x = element_blank(),
axis.ticks.x = element_blank(),
axis.text.x=element_blank())
Criando relatórios com o Rmarkdown
Agora que fizemos todos esses objetos contendo nossos gráficos, vamos
criar um pequeno relatório com essas informações. Para isso, vamos
precisar salvar nossos objetos, para que não seja necessário criarmos
todos eles novamente dentro do documento. Basicamente, podemos salvar os
objetos do R em alguns formatos, como o rda e o
rds, ou em formatos utilizados por outros softwares
estatísticos, com o pacote foreign. Uma maneira rápida de
salvar todos os seus objetos disponíveis no ambiente em um único arquivo
é utilizando a função save.image(). Utilize a opção
compress = T para reduzir o tamanho do arquivo a ser
criado. Para salvar somente os objetos de interesse, utilize a função
save().
# Salvar um arquivo com todos os objetos
save.image("dados/objetos.rda", compress = T)
# Remover todos os objetos do ambiente
# rm(list = ls())
# Carregar os objetos salvos
load("dados/objetos.rda")
# Salvar somente objetos de interesse
# save(list=c("piramide","esgotamento","salario"),
# file="dados/objetos.rda")
Muitas vezes não precisamos salvar todo o nosso diretório e queremos
apenas salvar um objeto específico, como um determinado banco de dados
ou apenas os objetos que iremos utilizar no nosso relatório. Para isso,
utilizamos a função saveRDS(). Vamos salvar os três
gráficos que criamos anteriormente, neste formato.
# Salvar os objetos no formato RDS
saveRDS(piramide,"dados/piramide.rds")
saveRDS(esgotamento,"dados/esgotamento.rds")
saveRDS(salario,"dados/salario.rds")
Feito isso, agora vamos criar nosso relatório. Para isso, abra um
novo arquivo R markdown, clicando no atalho para novo arquivo ->
R Markdown. Selecione a opção PDF, escolha um nome para o
arquivo e clique em ok.
Os arquivos gerados no R em pdf são baseados na linguagem \(\LaTeX\). Assim, é possível adicionar os pacotes e definições utilizados no \(\LaTeX\) diretamente no R. Os relatório básicos já estão pré-configurados no R, sem que sejam necessários maiores ajustes.
Assim que criamos um novo arquivo, um modelo de relatório é
automaticamente gerado. A estrutura básica é composta por um preâmbulo,
no qual inserimos algumas informações sobre a estrutura e a configuração
do markdown. Este preâmbulo fica encapsulado entre três traços
---, nos quais indicamos uma série de formatações,
inclusive o tipo do output que será gerado, que é o PDF no
nosso caso. Podemos gerar ainda documentos em word ou html. Este curso,
por exemplo, foi escrito em um arquivo markdown, tendo como
output o formato HTML.
Os códigos de R podem ser inseridos juntamente com os textos, dentro
de acentos graves ``, com a primeira letra sendo o
r. Podemos criar também os chunks, que são
estruturas separadas para inserções no texto, como tabelas e figuras. Os
chunks são encapsulados por uma sequência de três
acentos graves```, sendo a parte superior composta ainda de
parâmetros inseridos entre chaves {r}, iniciando com a
letra r. Você pode criar chunks com outras linguagens de programação,
como python, seguindo o exemplo abaixo.
# ```{python}
# 1+1
# ```
# `r rnow(pdad_2021_moradores)` Isto é um código r dentro de um texto markdown
# Abaixo temos um exemplo de chunk
#```{r}
# table(pdad_2021_moradores$A01ra)
#```
Os títulos das seções são criados com o símbolo #. Caso
queiramos criar subseções, vamos adicionando sequências do mesmo
símbolo.
Após ser escrito o relatório, precisamos compilar o documento, que é
realizado com o auxílio dos pacotes knit e
pandoc. O primeiro deles cria um arquivo com os elementos
textuais e do R, no formato .md, que posteriormente é
convertido para o formato desejado com o segundo pacote.
Rode o arquivo de exemplo, clicando no botão knit, para
verificar o resultado. O RStudio pedirá para você indicar o nome e o
local do arquivo a ser criado. Toda vez que você “tricotar” o documento,
o R salva e executa todos os passos elencados anteriormente
automaticamente.
Vamos agora criar o nosso relatório. Para isso, vamos utilizar apenas
cinco pacotes do \(\LaTeX\), o
babel, para conseguirmos produzir o relatório em português,
o pacote inputenc, que cuidará do encoding dos caracteres,
o float, que cuidará das imagens e os pacotes
booktabs e tabu para a confecção das tabelas.
Fazemos isso adicionando no preâmbulo do documento a linha
header-includes:, indicando os pacotes do \(\LaTeX\) a serem utilizados. Qualquer outro
pacote pode ser inserido neste espaço. Para rodar o relatório em PDF,
você precisará ter alguma distribuição do TeX/LaTeX. Uma
opção em Windows é MiKTeK.
Durante a instalação, marque a opção “Install missing packages
on-the-fly” como “yes”. O RStudio server já conta com uma
instalação em sua máquina.
Comumente, utilizamos o primeiro chunk para inserir as
configurações e opções a serem utilizadas no decorrer do documento. Note
que utilizamos a opção include=FALSE para que este
chunk não seja incluído no documento. Nele, carregamos os
pacotes necessários, ajustamos as configurações padrão dos demais
chunks, carregamos a base e ajustamos uma configuração do
pacote kableExtra, que será utilizado para gerar nossas
tabelas no formato \(\LaTeX\).
No meio do documento, podemos utilizar qualquer comando \(\LaTeX\), da mesma maneira que faríamos
caso estivéssemos trabalhando com a ferramenta. Alguns atalhos facilitam
uma série de formatações, como palavras em itálico, escritas entre
asteriscos *palavra* e negrito, escritas entre duplos
asteriscos **palavra**. Notas de rodapé são facilmente
inseridas entre colchetes, precedido de um acento circunflexo
^[nota de rodapé].
Para inserirmos uma figura criada com o pacote ggplot,
devemos “abrir” um chunk e chamar o objeto dentro dele. Para
inserir o título da figura e seu respectivo label, utilizamos a
opção fig.cap="Título", no início do chunk. O
label deve ser adicionado por dentro do título, com o comando
\\label{}, este último derivado do \(\LaTeX\). Repare que, neste caso, foi
necessário inserir uma segunda barra invertida, de modo que o R entenda
que estamos querendo utilizar um comando do \(\LaTeX\) dentro do chunk.
Alternativamente, você pode nomear o chunk e utilizar como
referência fig:nome do chunk. Para fazer referência ao
elemento, utilize o comando \ref{} dentro do texto.
Para as tabelas, utilizamos o pacote knitr, usualmente
em conjunto com o pacote kableExtra para customizarmos as
tabelas. Diferentemente das figuras, este pacote já esta preparado para
receber as informações de título em parâmetros específicos, convertendo
o resultado para a linguagem \(\LaTeX\). Para algumas formatações
adicionais, como separador de milhar, posicionamento da tabela e
marcador decimal, a própria função kable() pode ser
utilizada. Para referenciar as tabelas, utilize
tab:nome do chunk. Abaixo está um exemplo de relatório, que
deve ser executado em um arquivo .Rmd, bastando retirar os
sustenidos.
# ---
# title: "Mini relatório da PDAD 2021"
# author: "Thiago Mendes Rosa"
# date: "`r Sys.Date()`"
# output:
# pdf_document: default
# word_document: default
# header-includes:
# - \usepackage[brazilian]{babel}
# - \usepackage[utf8]{inputenc}
# - \usepackage{float}
# - \usepackage{booktabs}
# - \usepackage{tabu}
# ---
# ```{r setup, include=FALSE}
# library(forcats)
# library(scales)
# knitr::opts_chunk$set(echo = F,fig.pos = 'H',warning=F)
# # Carregar objetos
# load("dados/objetos.rda")
# # Definir função para separador de milhar e decimal dos chunks
# knitr::knit_hooks$set(inline = function(x) {
# prettyNum(x, big.mark=".",decimal.mark = ",")
# })
# options(kableExtra.latex.load_packages = FALSE)
# # Habilitar opção abaixo para gerar tabelas em word. Para tanto,
# # retirar o argumento "latex" da função "kable"
# #options(kableExtra.auto_format = FALSE)
# library(kableExtra)
# ```
#
# # PDAD 2021
#
# A PDAD 2021 visitou **`r nrow(pdad_2021_domicilios)`** domicílios e coletou informações de `r nrow(pdad_2021_moradores)` moradores.
#
# ## Estrutura etária
#
# A estrutura etária dos moradores do Distrito Federal é apresentada Figura \ref{fig:piramide}.
#
# ```{r piramide, fig.cap="Pirâmide etária",out.extra=''}
# piramide_grafico
# ```
#
# Os valores específicos podem ser verificados na tabela \ref{tab:piramide.tab}.
#
# ```{r piramide.tab, results='asis'}
# piramide %>%
# knitr::kable("latex",
# caption="Pirâmide etária",
# booktabs = T,
# digits = 0,
# format.args=list(big.mark = ".",
# decimal.mark = ",")) %>%
# kableExtra::kable_styling(latex_options = c("HOLD_position"),
# full_width=T) %>%
# kableExtra::footnote(general_title ="",
# general="Fonte: PDAD 2021",
# fixed_small_size=T)
# ```
# \clearpage
#
# ## Salários
#
# No que diz respeito aos salários, sua distribuição por faixas de salário mínimo^[O salário considerado foi de R$ 1.100,00] é apresentada Figura \ref{fig:salarios}.
#
# ```{r salarios, fig.cap="Salarios por faixa de SM",out.extra=''}
# salario_grafico
# ```
#
# Os dados podem ser consultados na Tabela \ref{tab:salarios.tab}.
#
# ```{r salarios.tab, results='asis'}
# salario %>%
# knitr::kable("latex",
# caption="Salarios por faixa de SM",
# booktabs = T,
# linesep = "",
# format.args=list(big.mark = ".",
# decimal.mark = ",")) %>%
# kableExtra::kable_styling(latex_options = c("HOLD_position"),
# full_width=T) %>%
# kableExtra::column_spec(1,width = "5cm") %>%
# kableExtra::footnote(general_title ="",
# general="Fonte: PDAD 2021",
# fixed_small_size=T)
# ```
# \clearpage
# \pagebreak
#
# ## Esgotamento
#
# Por fim, o esgotamento sanitário é apresentado na Figura \ref{fig:esgotamento}
#
# ```{r esgotamento, fig.cap="Esgotamento sanitário",out.extra=''}
# esgotamento_grafico
# ```
#
# Os números podem ser consultados na Tabela \ref{tab:esgotamento.tab}.
#
# ```{r esgotamento.tab, results='asis'}
# esgotamento %>%
# knitr::kable("latex",
# caption="Esgotamento sanitário",
# booktabs = T,
# digits = 2,
# format.args=list(big.mark = ".",
# decimal.mark = ",")) %>%
# kableExtra::kable_styling(latex_options = c("HOLD_position"),
# full_width=T) %>%
# kableExtra::column_spec(1,width = "6cm") %>%
# kableExtra::footnote(general_title ="",
# general="Fonte: PDAD 2021",
# fixed_small_size=T)
# ```
O relatório criado em PDF pode ser facilmente gerado em outros
formatos. Experimento clicar no botão knit, na seta para baixo,
selecionando a opção Knit to Word. O relatório também pode
ser gerado no formato HTML, todavia as tabelas necessitam
de alguns ajustes neste caso. Devemos alterar o tipo da tabela para
"html", com o argumento format, dentro da
função knitr::kable(). Alternativamente, podemos utilizar
as funções xtable::xtable() ou
pander::pander().
Salvando seus resultados no Github
Para configurar suas credenciais no github, digite na aba do terminal os seguintes comandos:
- git config --global user.name “seu nome de usuário”
- git config --global user.email “seu e-mail”
Se quiser configurar sua senha, digite:
- git config --global user.password “sua senha”
Depois de produzirmos nossos códigos, vamos subir as informações para o nosso repositório no GitHub. Para isso, temos três opões:
- Clicar no botão de atalho do GitHub na barra superior
- Clicar na janela superior à direita, na aba do Git
- Usar o atalho de teclado
Ctrl+Alt+M.
Pelo primeiro e terceiro métodos, a janela abaixo será exibida. Com o
segundo método, a janela aparece depois de clicar no botão
commit.
Com ela, verificamos todos os objetos que foram modificado, removido
e/ou adicionados no diretório do projeto. A partir dele, devemos
informar o que desejamos fazer com cada um deles. Podemos ignorá-los com
o botão Ignore, para, neste caso, indicarmos que não
desejamos que essa informação seja armazenada no repositório.
Para os arquivos que queremos armazenar, devemos selecionar e
utilizar o botão Stage. Após selecionarmos os arquivos a
serem enviados, devemos adicionar um cometário geral, para termos noção
do que se refere aquela etapa do projeto, e utilizar o botão
Commit. Com isso, nossos arquivos já estão prontos para
serem enviados ao repositório. A última etapa consiste em utilizar o
botão Push, que, após acionado, solicitará a confirmação do
usuário e senha. Pronto! Seus scripts e arquivos já estão armazenados e
versionados no Github. Caso queria continuar o projeto em outro local ou
compartilhar as informações com alguém, basta a pessoa fazer um
Pull do repositório.
Encerramento
Esse foi o mini-curso de R aplicado à PDAD. O R é uma ferramenta muito ampla, que permite diversas outras aplicações, principalmente na área estatística. Aqui foi apresentada uma modesta parcela das funcionalidades que esta ferramenta pode oferecer. Ainda há muito mais a ser explorado. Utilizar o R constantemente fará com que você acumule habilidades e avance cada vez mais na utilização desta ferramenta. O começo pode parecer desafiador, mas, uma vez rompida a barreira inicial, o avanço se torna natural e prazeroso.
Abaixo você tem uma lista de aplicações analíticas sendo realizadas atualmente com o auxílio do R, segundo o blog revolution analytics.
Expanda seus conhecimentos e compartilhe!
Análises
- Matemática básica
- Estatística básica
- Distribuições de probabilidade
- Análise de Big Data
- Machine Learning
- Otimização e programação matemática
- Processamento de sinais
- Simulações e Geração de números aleatórios
- Modelagem estatística
- Teste estatísticos
Visualização e gráficos
- Gráficos estáticos
- Gráficos dinâmicos
- Mapas
- Dispositivos e formatos
Aplicações em R e Extensões ***
- Aplicações
- Mineração de dados
- Metodologia estatística
Qualquer dúvida, mande um e-mail para thiago.rosa@codeplan.df.gov.br.
Exemplo extraído de: https://curso-r.github.io/ragmatic-book/principios.html#pipe.↩︎
Em 2019, foram criadas duas novas Regiões Administrativas no Distrito Federal. A Lei Complementar nº 958, de 20 de dezembro de 2019 estabeleceu as poligonais de todas as regiões do DF.↩︎
Conforme apontado anteriormente, a PDAD investiga domicílios particulares em áreas urbanas e áreas rurais com características urbanas. Assim sendo, todos os domicílios coletivos e aqueles situados em áreas rurais são desconsiderados na pesquisa.↩︎